Análise comparativa de algoritmos de aprendizagem de máquina para diagnóstico da doença de Parkinson com base em características vocais

Abstract

Este trabalho apresenta um estudo sobre a aplicação de algoritmos de Aprendizado de Máquina (AM) no diagnóstico da Doença de Parkinson (DP). O aprendizado de máquina é uma área da inteligência artificial que permite que sistemas computacionais aprendam a partir de dados sem programação explícita. São explorados os conceitos fundamentais, as aplicações práticas e as métricas de avaliação para AM, destacando os algoritmos K-Nearest Neighbors (KNN), Regressão Logística, Máquinas de Vetores de Suporte (SVM) e Random Forest. Na metodologia, foram utilizadas amostras de voz de 20 pacientes com DP e 20 indivíduos saudáveis. A seleção das variáveis relevantes para o diagnóstico foi feita com base na correlação de Pearson, e os dados foram divididos em conjuntos de treinamento e teste (80/20). Para evitar problemas de indeterminação nos resultados, um ajuste foi realizado, reduzindo as amostras de voz para um número ímpar. Cada algoritmo foi avaliado com as métricas de acurácia, precisão, recall e F1-score. Os resultados indicaram que o KNN apresentou o melhor desempenho para a metodologia e variáveis selecionadas, sendo a técnica mais eficaz para esta aplicação específica. Futuros estudos são sugeridos com a inclusão de outras variáveis correlacionadas e a exploração de algoritmos adicionais. Este trabalho fornece uma contribuição inicial para a análise comparativa de algoritmos no auxílio ao diagnóstico da Doença de Parkinson.