Implementation and Study on Liver Cirrhosis Disease Diagnosis Prediction Using a Method for Machine Learning Algorithms: A Comparative Approach Analysis

Resumo Técnico: Implementação e Estudo sobre a Predição do Diagnóstico da Doença de Cirrose Hepática Utilizando Algoritmos de Aprendizado de Máquina

Definição do Problema
A cirrose hepática representa um desafio crítico de saúde global, classificando-se como a décima segunda principal causa de mortalidade nos Estados Unidos e vitimando mais de um milhão de pessoas em todo o mundo entre 1980 e 2010. Apesar dos avanços na coleta de dados, as taxas de mortalidade são frequentemente subnotificadas e as abordagens diagnósticas permanecem inconsistentes. Embora o aprendizado de máquina (ML) ofereça promessas para prever o risco da doença e melhorar a precisão diagnóstica, os estudos existentes frequentemente sofrem com limitações como conjuntos de dados pequenos ou enviesados, falta de custo-benefício e dificuldades na integração clínica. Além disso, muitos estudos comparativos falham em alinhar rigorosamente algoritmos específicos às necessidades clínicas ou em testar sua generalização em diversas populações de pacientes. Esta pesquisa aborda a necessidade de uma análise comparativa robusta de algoritmos de aprendizado supervisionado para melhorar a precisão e a confiabilidade do diagnóstico e do estadiamento da cirrose hepática.

Metodologia
O estudo emprega uma abordagem baseada em dados utilizando o conjunto de dados 'Aadarshvelu Liver-Cirrhosis-Stage-Classification' extraído do Kaggle, que é derivado do estudo de Cirrose Biliar Primária (PBC) da Mayo Clinic (1974–1984) e aumentado com dados sintéticos para atingir um tamanho de amostra de aproximadamente 25.000 registros de pacientes.

• Pré-processamento de Dados e Seleção de Atributos: O conjunto de dados compreende 19 atributos, incluindo variáveis demográficas (idade, sexo), sintomas clínicos (ascite, hepatomegalia, edema, angiomas aracnoides), indicadores de tratamento medicamentoso e valores laboratoriais (bilirrubina, albumina, colesterol, fosfatase alcalina, SGOT, triglicerídeos, plaquetas, tempo de protrombina). Os autores realizaram a limpeza de dados, trataram valores ausentes e utilizaram mapas de calor de correlação (r de Pearson) para identificar e remover atributos fracamente correlacionados (r < 0,2) e mitigar a multicolinearidade (r > 0,8).
• Design Experimental: O conjunto de dados foi dividido em conjuntos de treinamento (20.000 registros) e teste (5.000 registros). O estudo implementou validação cruzada de 10 dobras para garantir uma avaliação robusta do modelo.
• Algoritmos Testados: Oito algoritmos de aprendizado supervisionado foram avaliados para sua capacidade de classificar os estágios da cirrose:
  1. Regressão Logística (LR)
  2. K-Vizinhos Mais Próximos (KNN)
  3. Máquina de Vetores de Suporte (SVM)
  4. Floresta Aleatória (RF)
  5. Naïve Bayes (NB)
  6. AdaBoost
  7. Gradient Boosting
  8. Classificador de Perceptron Multicamadas (MLP)
• Métricas de Avaliação: O desempenho do modelo foi avaliado por meio de uma matriz de confusão para derivar Acurácia, Precisão, Recall (Sensibilidade), Especificidade, F1-score e a Área Sob a Curva ROC (AUC).

Principais Contribuições e Resultados
A principal contribuição deste trabalho é uma análise comparativa abrangente de oito algoritmos distintos de ML aplicados a um conjunto de dados de grande escala e clinicamente relevante para o estadiamento da cirrose hepática.

• Resultados de Desempenho: Os resultados experimentais indicam uma variação significativa no desempenho algorítmico. O classificador Random Forest emergiu como o modelo superior, alcançando uma acurácia de 95% (especificamente 94,05% no resumo, com 95% citado na seção de resultados) e um F1-score médio macro de 95,05%.
• Análise Comparativa:
  • Melhores Desempenhos: Random Forest (95% de acurácia) e K-Nearest Neighbors (87,5% de acurácia) demonstraram as maiores capacidades preditivas.
  • Desempenhos Moderados: Gradient Boosting (83,5%), Classificador MLP (82,5%) e SVM (75,5%) mostraram sucesso moderado.
  • Desempenhos Inferiores: Regressão Logística (54,5%), AdaBoost (59,5%) e Naïve Bayes (46,5%) produziram taxas de acurácia mais baixas nesta configuração experimental específica.
• Importância dos Atributos: O estudo destaca o papel crítico dos dados de exames de sangue (ex: bilirrubina, albumina, SGOT) e sinais clínicos (ascite, edema) na distinção dos estágios da cirrose, validando a utilidade das métricas laboratoriais padrão em diagnósticos baseados em ML.

Significância e Alegações
Os autores alegam que o modelo proposto de "Predição de Diagnóstico da Doença de Cirrose Hepática", particularmente ao utilizar o algoritmo Random Forest, melhora efetivamente o desempenho da codificação de registros médicos e da predição diagnóstica em comparação com outros algoritmos testados. O estudo postula que o aprendizado de máquina pode não apenas aumentar a precisão diagnóstica, mas também tornar a detecção da cirrose hepática mais custo-efetiva.

A significância deste trabalho reside em seu potencial para:

1. Melhorar a Tomada de Decisão Clínica: Fornecer aos clínicos ferramentas automatizadas para diagnósticos mais precoces e confiáveis.
2. Otimizar a Alocação de Recursos: Ao identificar as técnicas preditivas mais poderosas, o estudo oferece recomendações acionáveis para sistemas de saúde gerenciarem a doença hepática de forma mais eficiente.
3. Preencher a Lacuna: Demonstrar que a avaliação rigorosa de modelos de ML pode levar a benefícios duradouros na saúde, indo além do sucesso teórico para aplicações práticas e interpretáveis.

Limitações
Os autores reconhecem modestamente algumas limitações. O conjunto de dados, embora grande, inclui dados sintéticos que podem introduzir vieses distributivos não presentes em populações do mundo real. A natureza retrospectiva dos dados limita a generalização para diferentes regiões geográficas e contextos clínicos. Adicionalmente, o estudo baseia-se em validação cruzada interna em vez de validação externa com conjuntos de dados clínicos independentes, e potenciais desequilíbrios de classe em relação aos estágios da cirrose foram observados. Sugere-se que trabalhos futuros foquem na validação desses achados em ambientes clínicos mais amplos e na exploração de aprendizado profundo e métodos de ensemble avançados.