Algoritmos J48 e Multilayer Perceptron como Ferramentas para Predição do Diagnóstico de Resistência à Insulina em Adultos no Brasil
DOI:
https://doi.org/10.5540/03.2026.012.01.0242Palavras-chave:
Árvores de Decisão, Circunferência do Pescoço, Machine Learning, Mineração de Dados, Redes NeuraisResumo
A resistência à insulina (RI) é considerada um dos principais fatores de risco para o desenvolvimento do diabetes tipo 2 e ainda tem componente genético não completamente entendido. Há diferentes métodos para a avaliação da RI, com custos e complexidade distintos. Como alternativa a métodos mais complexos e invasivos, podem-se buscar padrões nas medidas antropométricas e da composição corporal, relacionando-as ao diagnóstico positivo ou negativo da RI. Para compreender a influência dos atributos envolvidos em seu diagnóstico, podem-se utilizar modelos experimentais, com base em dados obtidos junto a pacientes considerados saudáveis e com resistência à insulina. Nos últimos anos, a coleta de dados tem evoluído bastante em diversas áreas, incluindo nas ciências da saúde. Paralelamente, as técnicas de mineração de dados e aprendizagem de máquina têm sido utilizadas para o tratamento dos dados obtidos, visando a geração de conhecimento e aperfeiçoamento de técnicas. Este trabalho visou analisar o banco de dados do Brazilian Metabolic Syndrome Study (Brams) usando o software WEKA, com os algoritmos J48 (árvores de decisão) e Multilayer Perceptron. Ambos algoritmos tiveram resultados muito parecidos, mas as árvores de decisão trouxeram uma leitura mais simples. O J48 possibilitou obter modelos com atributos importantes e pontos de cortes para o diagnóstico de RI, sendo viável a sua utilização por profissionais da área da saúde. Concluiu-se que os atributos de insulina e glicose tiveram grande influência no resultado da RI. Valores de insulina maiores do que 13 e de glicose maiores do que 79 indicaram resistência à insulina. Por outro lado, insulina menor do que ou igual a 9 e glicose menor do que ou igual a 121 indicaram ausência dessa resistência. As medidas antropométricas (dentre elas, a medida da circunferência do pescoço) também se mostraram úteis para auxiliar no diagnóstico da resistência à insulina. No caso da medida da circunferência do pescoço, para os homens, o ponto de corte encontrado foi 42 cm (onde a resistência era mais comum em valores maiores do que esse). Para mulheres, o ponto de corte encontrado foi de 39 cm, com acurácia maior para valores menores do que ou iguais a 36 cm, com indicativo de não haver resistência à insulina.
Downloads
Referências
E. Alpaydin. Introduction to machine learning. 3a. ed. Cambridge: MIT Press (MA), 2014. isbn: 9780262028189.
M. H. C. Carvalho, A. L. Colaço e Z. B. Fortes. “Citocinas, disfunção endotelial e resistência à insulina”. Em: Arquivos Brasileiros de Endocrinologia Metabologia 50(2) (2006), pp. 304–312. doi: 10.1590/S0004-27302006000200016.
S. Chatterjee, K. Khunti e M. J. Davies. “Type 2 diabetes”. Em: Lancet 389(10085) (2017), pp. 2239–2251. doi: 10.1016/S0140-6736(17)30058-2.
R. A. Defronzo e D. Tripathy. “Skeletal muscle insulin resistance is the primary defect in type 2 diabetes”. Em: Diabetes Cares 32(2) (2009), pp. 157–163. doi: 10.2337/dc09-S302.
G. W. Dekker, M. Pechenizkiy e J. M. Vleeshouwers. “Predicting students drop out : a case study.” Em: jan. de 2009, pp. 41–50. isbn: 978-84-613-2308-1.
J. P. Despres e I. Lemieux. “Abdominal obesity and metabolic syndrome”. Em: Nature 444(7121) (2006), pp. 881–887. doi: 10.1038/nature05488.
J. Han, M. Kamber e J. Pei. Data mining: concepts and techniques. 3a. ed. Waltham: Morgan Kaufmann, 2012. isbn: 9780123814791.
K. Kodama, D. Tojjar, S. Yamada, K. Toda, C. J. Patel e A. J. Butte. “Ethnic differences in the relationship between insulin sensitivity and insulin response: a systematic review and meta-analysis”. Em: Diabetes Care 36(6) (2013), pp. 1789–1796. doi: 10.2337/dc12-1235.
D. R. Mattews, J. P. Hoskers, A. S. Rudenski, B. A. Naylor, D. f. Treacher e R. C. Turner. “Homeostasis model assessment: insulin resistance and beta-cell function from fasting plasma glucose and insulin concentrations in man”. Em: Diabetologia 28(7) (1985), pp. 412–419. doi: 10.1007/BF00280883.
A. G. Pittas, N. A Joseph e A. S. Greenberg. “Adipocytokines and insulin resistance”. Em: J Clin Endocrinol Metab 89(2) (2004), pp. 447–452. doi: 10.1210/jc.2003-031005.
G. Reaven. “All obese individuals are not created equal: insulin resistance is the major determinant of cardiovascular disease in overweight/ obese individuals”. Em: Diab Vasc Dis Res 2(3) (2005), pp. 105–112. doi: 10.3132/dvdr.2005.017.
M. C. Romualdo, F. J. Nóbrega e M. A. Escrivão. “Insulin resistance in obese children and adolescents”. Em: J Pediatr (Rio J) 90(6) (2014), pp. 600–607. doi: 10.1016/j.jped.2014.03.005.
C. Stabe, A. C. Vasques, M. M. Lima, M. A. Tambascia, J. C. Pareja, A. Yamanaka e B. Geloneze. “Neck circumference as a simple tool for identifying the metabolic syndrome and insulin resistance: results from the Brazilian Metabolic Syndrome Study”. Em: Clin Endocrinol (Oxf) 78(6) (2013), pp. 874–81. doi: 10.1111/j.1365-2265.2012.04487.x.
WEKA. The Data Platform for Cloud AI | WEKA. Online. Acessado em 28/05/2025, https://www.weka.io.
I. H. Witten, E. Frank e M. A. Hall. Data mining: practical machine learning tools and techniques. 3a. ed. Burlington: Morgan Kaufmann, 2011. isbn: 9780123748560.
X. Wu, V. Kumar, J. R. Quinlan, J. Ghosh, Q. Yang, H. Motoda, G. J. McLachlan, A. Ng, B. Liu, P. S. Yu, Z. H. Zhou, M. Steinbach, D. J. Hand e D. Steinberg. “Top 10 algorithms in data mining”. Em: Knowledge and information systems 14 (2008), pp. 1–37. doi: 10.1007/s10115-007-0114-2.
