Combinando Tarefas de Escritas à Mão e Ensemble Learning para Identificação de Alzheimer

Abstract

A doença de Alzheimer é uma condição neurodegenerativa comum, afetando 8,5% da população mundial com mais de 60 anos, e a detecção precoce é crucial para a melhoria da qualidade de vida e a não progressão da doença. Entretanto, seu diagnóstico precoce depende de métodos de diagnóstico avançados, muitas vezes indisponível à maioria da população. Assim, esse estudo propôs a classificação de pacientes com Alzheimer e indivíduos saudáveis utilizando dados de escrita à mão do conjunto DARWIN, que inclui 25 tarefas categorizadas em memória/ditado, gráficas e cópia. Foram extraídos 18 atributos relacionados a tempo, pressão, velocidade e tremor, entre outros, para cada tarefa. Onze algoritmos de aprendizado de máquina, incluindo Random Forest, Gradient Boosting e Decision Tree, foram aplicados individualmente e combinados por ensemble (média das probabilidades e votação por maioria). Modelos baseados em árvores destacaram-se, com Random Forest alcançando acurácia de 0,8491 e AUC de 0,9095. Os métodos empregados constataram que tarefas gráficas e de cópia mostraram-se mais discriminativas, enquanto tarefas de memória/ditado foram mais desafiadoras. A combinação por ensemble melhorou a robustez do sistema.