Cardiovascular Disease Risk Prediction via Social Media

Resumo Técnico: Predição de Risco de Doenças Cardiovasculares via Redes Sociais

Declaração do Problema
As Doenças Cardiovasculares (DCV) permanecem como uma das principais causas de morbidade e mortalidade nos Estados Unidos. A avaliação de risco tradicional baseia-se fortemente em dados demográficos e indicadores clínicos, que podem não capturar totalmente os fatores psicológicos e comportamentais que contribuem para o risco de DCV. Embora as plataformas de redes sociais como o Twitter ofereçam uma riqueza de dados não estruturados sobre o discurso público em relação à saúde, estados psicológicos e comportamentos de estilo de vida, a aplicação de Processamento de Linguagem Natural (PLN) e Aprendizado de Máquina (ML) para prever o risco de DCV em nível estadual utilizando esses dados permanece uma área subexplorada. O desafio central abordado é o desenvolvimento de uma metodologia robusta para extrair, processar e classificar tweets para identificar indivíduos potencialmente em risco de desenvolver DCV, e para avaliar se esta abordagem supera os modelos de predição tradicionais baseados em demografia.

Metodologia
O estudo emprega um framework comparativo utilizando dois conjuntos de dados distintos: um conjunto de dados baseado no Twitter e um conjunto de dados demográficos dos Centros de Controle e Prevenção de Doenças (CDC).

1. Coleta e Curadoria de Dados:

   • Conjunto de Dados do Twitter: Tweets foram coletados de dezoito estados dos EUA (incluindo treze estados dos Apalaches e cinco estados vizinhos) ao longo de um período de três anos (2019–2021). Um dicionário personalizado de doze palavras-chave relacionadas a DCV foi desenvolvido, abrangendo termos clínicos (ex: "ataque cardíaco", "hipertensão"), fatores de risco (ex: "tabagismo", "colesterol") e fatores psicológicos/estilo de vida (ex: "estresse", "álcool"). Aproximadamente 269.969 tweets foram extraídos usando a biblioteca Tweepy.
   • Conjunto de Dados do CDC: Um conjunto de dados por estado do Departamento de Saúde e Serviços Humanos dos EUA (2019–2020), contendo 124 indicadores de doenças crônicas e informações demográficas (gênero, raça, etnia, localização), foi utilizado como base para comparação.

2. Pré-processamento e Rotulagem:

   • Dados do Twitter: Os tweets brutos passaram por limpeza (remoção de URLs, emojis, caracteres repetidos) e pré-processamento de PLN (tokenização, stemming, remoção de stop-words). O modelo VADER (Valence Aware Dictionary and sEntiment Reasoner) foi empregado para análise de sentimento. Um limiar de -0,30 foi estabelecido para classificar a polaridade do sentimento: usuários com pontuações acima deste limiar foram rotulados como '1' (risco potencial de DCV/sentimento positivo em relação aos fatores de risco), e aqueles abaixo foram rotulados como '0' (sem risco/sentimento negativo).
   • Dados do CDC: As características demográficas foram codificadas numericamente (one-hot encoding para anos, codificação numérica para gênero/etnia). O conjunto de dados foi balanceado usando a técnica SMOTE para abordar o desequilíbrio de classes.

3. Arquitetura do Modelo e Treinamento:

   • Aprendizado de Máquina (ML): Quatro algoritmos convencionais foram implementados: Bernoulli Naive Bayes (BNB), Support Vector Machine (SVM), Regressão Logística (LR) e CatBoost.
   • Aprendizado Profundo (DL): Uma arquitetura híbrida de Rede Neural Convolucional-Long Short-Term Memory (CNN-LSTM) foi construída. A camada CNN extrai características da entrada, enquanto as camadas LSTM capturam dependências temporais, visando classificar indivíduos em categorias de alto ou baixo risco.
   • Avaliação: Ambos os conjuntos de dados foram divididos em 70% para treinamento e 30% para teste. Os modelos foram avaliados usando Acurácia de Teste, Precisão, Recall, F1-score, Coeficiente de Correlação de Mathew (MCC) e escore Kappa de Cohen (CK).

Principais Resultados
O estudo apresenta uma comparação direta de desempenho entre a abordagem baseada no Twitter e a abordagem baseada na demografia do CDC:

• Desempenho do Conjunto de Dados do Twitter: Os modelos de ML superaram significativamente o modelo de DL. O SVM alcançou a maior acurácia de teste de 88,75%, seguido de perto pela Regressão Logística (LR) com 87,82%. O modelo híbrido CNN-LSTM alcançou 77,51% de acurácia. O BNB e o CatBoost registraram acurácias de 74,55% e 76,67%, respectivamente.
• Desempenho do Conjunto de Dados do CDC: Todos os modelos tiveram um desempenho consideravelmente inferior nos dados demográficos. A LR classificou-se no topo com 58,03% de acurácia, seguida pelo BNB (57,93%), CNN-LSTM (57,64%), SVM (57,55%) e CatBoost (57,42%).
• Análise Comparativa: O conjunto de dados baseado no Twitter demonstrou consistentemente um poder preditivo superior em todas as métricas em comparação ao conjunto de dados do CDC. A análise por estado confirmou que os classificadores de melhor desempenho (SVM e LR) mantiveram uma acurácia maior ao usar dados de tweets versus dados demográficos.

Significância e Alegações
O artigo afirma que analisar emoções e padrões de linguagem expressos em tweets de redes sociais oferece um método mais eficaz para identificar indivíduos em risco potencial de DCV do que depender apenas de informações demográficas tradicionais. Ao desenvolver um dicionário especializado de palavras-chave relacionadas a DCV e aplicar análise de sentimento, o estudo demonstra que as técnicas de PLN e ML podem servir como uma ferramenta suplementar valiosa para o monitoramento da saúde pública.

Os autores enfatizam que esta pesquisa destaca o potencial de usar as redes sociais como uma fonte de dados alternativa ou complementar aos levantamentos demográficos tradicionais para prever resultados de saúde. O estudo não pretende substituir o diagnóstico clínico, mas sugere que a análise de redes sociais pode fornecer insights precoces sobre riscos em nível populacional, potencialmente informando intervenções de saúde pública direcionadas. O trabalho ressalta a utilidade de arquiteturas híbridas e algoritmos de ML padrão no processamento de dados não estruturados de redes sociais para a predição de riscos à saúde.