Relatório completo

Confirmação de agendamento de consulta nutricional + plano nutricional personalizado ✅

Sobre a base de dados e o Modelo de Machine Learning

Fonte: National Institute of Diabetes and Digestive and Kidney Diseases . Pacientes : 768. Origem : Phoenix, Arizona, USA.

O modelo utilizado para predição do risco de diabetes é baseado em Machine Learning, treinado com dados clínicos reais e fatores de risco mapeados durante exames médicos de rotina. O diagnóstico de diabetes, de classificação binária (Outcome 0/1), foi validado usando o critério da OMS (TTGO após 2h Glicose > 200 mg/dl). Ele utiliza algoritmos como **Random Forest** e **Regressão Logística** para analisar padrões em 08 variáveis: glicose, IMC, histórico familiar, gestações (mulheres), pressão sanguinea, idade, espessura cutânea e insulina.

A precisão do modelo foi validada com bases de dados confiáveis, garantindo recomendações personalizadas.

Resultados: O algoritimo Random Forest fez uma predição real entre 0 e 1 usando um threshold de classificação de 38.2%. Usando uma base de treinamento de 528 instâncias, a acurácia do algoritmo foi de 78% sobre outras 227 instâncias de validação . A sensibilidade encontrada foi 92% sobre a classe com diabetes positivo.

Base de dados/atributos :

1. Number of times pregnant

2. Plasma glucose concentration a 2 hours in an oral glucose tolerance test

3. Diastolic blood pressure (mm Hg)

4. Triceps skin fold thickness (mm)

5. 2-Hour serum insulin (mu U/ml)

6. Body mass index (weight in kg/(height in m)^2)

7. Diabetes pedigree function

8. Age (years)

Outcome. Class variable (0 or 1)