Interpretabilidade em modelos de avaliação de risco cardiovascular

• Autor(a) principal: Figueiredo, Maria Inês Dias
• Data de Publicação: 2022
• Tipo de documento: Dissertação
• Idioma: por
• Título da fonte: Repositório Científico de Acesso Aberto de Portugal (Repositórios Cientìficos)
• Texto Completo: http://hdl.handle.net/10400.26/40879
• topic: Doenças cardiovasculares; Machine learning; GRACE; Árvore de decisão; Modelo Bayesiano; Clustering; Interpretabilidade; Performance

Segundo a World Health Organization, as doenças cardiovasculares representam uma das principais causas de morte a nível mundial. Para tentar contrariar esta tendência, as medidas passam bastante pela prevenção. Neste campo, a análise de dados clínicos tendo por base vários modelos Machine learning de previsão de risco tem vindo a ser implementada, com o objetivo de prever o risco de ocorrência de um determinado evento (doença, morte, etc.). No entanto, os modelos apresentam algumas fragilidades, entre as quais é possível destacar a falta de interpretabilidade, pois alguns são modelos black-box. Estes, apesar dos elevados desempenhos que apresentam, nem sempre conseguem explicar as suas previsões ao utilizador final. No entanto, em áreas tão críticas como a da saúde, o aumento da interpretabilidade é fundamental para criar a confiança necessária nos clínicos e permitir a efetiva incorporação deste tipo de ferramentas na prática clínica. Desta forma, têm tentado desenvolver-se modelos cada vez mais white-box que, ao fornecerem explicações sobre os resultados que apresentam, transmitem essa confiança aos utilizadores. O objetivo principal do trabalho é analisar modelos Machine learning, de entre os selecionados, e o modelo GRACE, para perceber qual consegue transmitir o melhor compromisso entre interpretabilidade e performance. Escolheu-se o modelo GRACE por ser, atualmente, um modelo de previsão de risco bastante utilizado por profissionais da área clínica para avaliar pacientes com doenças cardíacas agudas. Os algoritmos escolhidos são Árvore de decisão, Naïve Bayes e Clustering. A Árvore de decisão é aplicada visto ser bastante interpretável e permitir facilmente a extração de regras. O modelo Bayesiano permite calcular relações probabilísticas entre classes, neste caso entre sintomas e possibilidade de morte ou sobrevivência. Por último o Clustering, dado que permite agrupar pacientes com caraterísticas semelhantes. Os modelos referidos são executados com um dataset composto por dados clínicos de pacientes dos Hospitais de Santa Cruz e de Leiria. Para cada um dos modelos são calculadas métricas demonstrativas da respetiva performance. Simultaneamente, são extraídas regras a partir de cada um deles e tenta-se verificar a veracidade das mesmas com recurso a dados reais. Por fim, todos os modelos são comparados em termos das performances obtidas, tendo-se concluído que o GRACE é o que consegue obter o melhor compromisso entre a performance e a interpretabilidade que fornece. Isto acaba por revelar um equilíbrio com a realidade, visto que este é um modelo bastante aplicado na prática clínica.