inteligência artificial para a deteção de anemia Falciforme: Implementação modelos baseados em aprendizagem automática falciforme

Este estudo apresenta um sistema baseado em aprendizagem automática para a previsão precoce da anemia falciforme, utilizando dados clínicos estruturados de hemogramas de doentes. A abordagem proposta procura colmatar as limitações dos métodos de diagnóstico convencionais, que tendem a ser dispendiosos, morosos e requerem uma infraestrutura laboratorial especializada. O objetivo foi identificar o modelo com melhor desempenho e desenvolver uma aplicação que pudesse ser utilizada por pessoal médico em zonas de difícil acesso, como ferramenta de apoio ao diagnóstico precoce desta doença. Entre os modelos avaliados, o modelo Random Forest obteve o melhor desempenho, com uma precisão de 98%, uma taxa de sensibilidade de 98% e uma pontuação F1 de 98%. O seu desempenho superior é atribuído à sua capacidade de captar interações não lineares entre as variáveis hematológicas, que são cruciais para o diagnóstico clínico. As previsões do sistema foram validadas por médicos especialistas, demonstrando uma elevada concordância com os diagnósticos tradicionais. Uma inovação fundamental deste estudo é a utilização de dados estruturados de hemogramas.