Acurácia dos classificadores bayesianos Naive Bayes, Bayes Net e AODE no apoio ao diagnóstico de osteoporose e osteopenia

Abstract

ResumoBuscando tratar a incerteza inerente ao diagnóstico biomédico, os classificadores bayesianos são baseados em modelos estatísticos tendo o diferencial em relação aos classificadores clássicos, em determinar a classe a que pertence determinado registro tendo-se como base a probabilidade de um elemento pertencer a determinada classe. Assim, o diagnóstico de doenças como a osteoporose e osteopenia pode se tornar mais rápido e preciso, e particularmente, nos casos em que o estado do paciente piora a cada dia agravando o quadro clínico. Nesse contexto, esta pesquisa buscou avaliar a acurácia dos classificadores bayesianos Bayes Net, Naive Bayes e AODE no apoio ao diagnóstico de osteopenia e osteoporose. É um estudo de natureza aplicada (tecnológica). No desenvolvimento desta pesquisa foram realizadas as seguintes etapas metodológicas: levantamento bibliográfico, pré-processamento, mineração de dados e pós-processamento. Os experimentos foram realizados na shell Weka versões 3.6.9 e 3.7.8, pois o algoritmo AODE só está implementado na versão 3.6.9, e a versão 3.7.8 é mais completa nas medidas de avaliação para os demais algoritmos se comparada com a 3.6.9. Nos experimentos foram utilizados os três algoritmos supracitados, sendo geradas 327 minerações, as quais foram utilizadas no pós-processamento e resultaram na análise da acurácia. Entre as medidas estatísticas analisadas nos experimentos (instâncias classificadas corretamente e incorretamente, estatística Kappa, Erro médio absoluto, sensibilidade, especificidade, precisão recall, medida-F, e AUC), o algoritmo AODE foi considerado o mais acurado, apesar de um pouco mais lento em relação ao tempo de execução. A partir dos experimentos realizados sugere-se como trabalhos futuros: utilizar uma maior quantidade de ferramentas comparando algoritmos Bayesianos com outros algoritmos de classificação; e minerar a base de dados buscando caracterizar o conhecimento implícito por meio de árvores de decisão, J48, entre outros.