Este repositório contém o estudo de caso sobre o diagnóstico de doenças cardíacas usando uma rede neural artificial. O estudo foi baseado em dados reais de pacientes com histórico de problemas cardíacos fornecidos pela Cleveland Clinic Foundation. O objetivo foi identificar padrões e relações entre diferentes variáveis que podem indicar condições cardíacas.
Patrícia, uma estudante de engenharia biomédica, acessou um conjunto de dados de 303 pacientes, contendo 13 variáveis relacionadas à saúde cardíaca. O objetivo foi explorar esses dados para entender melhor as condições mais propensas ao desenvolvimento de doenças cardíacas, utilizando técnicas de aprendizado de máquina, especificamente redes neurais.
O estudo se concentra em como usar redes neurais artificiais para processar e analisar esses dados, superando limitações gráficas ao lidar com múltiplas variáveis.
A tabela de dados contém os seguintes parâmetros para cada paciente:
| Variável Solicitada | Nome no Dataset UCI | Descrição |
|---|---|---|
| Idade | age | Idade do paciente. |
| Sexo | sex | Sexo do paciente: 1 = homem, 0 = mulher. |
| Dor_Peito | cp | Tipo de dor no peito: 1 = angina típica, 2 = angina atípica, 3 = dor não anginosa, 4 = assintomático. |
| PA_rep (Pressão arterial em repouso) | trestbps | Pressão arterial em repouso (em mm Hg). |
| Col_serico (Colesterol sérico) | chol | Colesterol sérico (em mg/dl). |
| ASJ (Açúcar no sangue em jejum) | fbs | Açúcar no sangue em jejum > 120mg/dl: 1 = verdade, 0 = falso. |
| ECG_rep (Eletrocardiograma em repouso) | restecg | Resultados do eletrocardiograma em repouso: 0 = normal, 1 = anormalidade da onda ST-T, 2 = hipertrofia ventricular esquerda. |
| MFC (Máxima frequência cardíaca alcançada) | thalach | Máxima frequência cardíaca alcançada (em bpm). |
| AINEX (Angina induzida por exercício) | exang | Angina induzida por exercício: 1 = sim, 0 = não. |
| DEPSTEX (Depressão do segmento ST induzida por exercício) | oldpeak | Depressão do segmento ST induzida por exercício (medido em mm). |
| INCLI (Inclinação do segmento ST) | slope | Inclinação do segmento ST no exercício: 1 = ascendente, 2 = plano, 3 = descendente. |
| CA (Número de vasos principais) | ca | Número de vasos principais (0 a 3) coloridos por fluoroscopia. |
| TAL (Talassemia) | thal | Tipo de talassemia: 3 = normal, 6 = defeito corrigido, 7 = defeito reversível. |
| NUM (Condição do paciente) | target | Diagnóstico de doença cardíaca: 0 = sadio, 1 = doente. |
Link do Dataset: https://archive.ics.uci.edu/static/public/45/data.csv
- One-Hot Encoding: As variáveis categóricas foram convertidas em variáveis binárias usando a técnica de one-hot encoding.
- Divisão dos Dados: Os dados foram divididos em 85% para treinamento e 15% para validação da rede neural.
- Normalização: Os dados foram normalizados para ter média zero e desvio padrão unitário.
A rede neural foi criada e treinada utilizando a biblioteca Keras com TensorFlow. O objetivo foi classificar os pacientes como saudáveis (0) ou doentes (1) com base nas variáveis fornecidas.
-
estudoDeCaso.py
Esse arquivo utiliza uma lista física com base nos prints do estudo de caso da faculdade. Nele, são realizados os primeiros passos de análise e exploração dos dados de maneira mais simples, com foco na visualização e análise de algumas variáveis. -
analise_doencas_cardiacas_matriz_confusao.py
Esse arquivo é um estudo mais avançado que utiliza o conjunto de dados do UCI Machine Learning Repository para realizar uma análise mais profunda. Ele usa a técnica de redes neurais para classificar os pacientes e gerar uma matriz de confusão, permitindo a avaliação do desempenho do modelo.
Para rodar o arquivo analise_doencas_cardiacas_matriz_confusao.py no Google Colab, é necessário instalar a biblioteca ucimlrepo antes de executar o código. Utilize o seguinte comando para instalar a biblioteca:
!pip install ucimlrepo