Machine Learning Aplicado ao Processamento de Dados de Pacientes com Osteoporose: uma análise correlacional e comparativa entre os exames Osseus e DXA
Densitometria, Osteoporose, Osseus, Aprendizado de Máquina, Floresta Aleatória.
A osteoporose é uma doença caracterizada por comprometimento da microarquitetura óssea e causa altos impactos socioeconômicos no mundo. Apesar da absorciometria radiológica de dupla energia (DXA) ser o padrão ouro para o diagnóstico da doença, em países em desenvolvimento o acesso a esse exame é limitado. Nesta perspectiva, o presente estudo tem como objetivo apresentar um diagnóstico auxiliar através da utilização dos exames realizados no Osseus, um equipamento portátil e de baixo custo desenvolvido para rastreio da osteoporose. Usando o DXA como referência, foi treinado um algoritmo Random Forest com fatores de risco, em conjunto com a medição resultante do Osseus. A base de dados foi composta por um total de 505 pacientes que realizaram o exame em ambos os equipamentos. Desses pacientes, 21.8% saudáveis e 78.2% doentes (com baixa densidade mineral óssea ou osteoporose). A base de dados foi separada em 80 % para treino e validação e 20% para teste, o modelo foi treinado e validado (usando validação cruzada com k fold= 5) e o desempenho obtido na base de teste correspondeu com AUC=0.80. As variáveis de maior relevância para indicar a condição de saúde do indivíduo foram idade, índice de massa corporal e a atenuação medida no Osseus. O modelo se mostrou efetivo para realizar a triagem de indivíduos com osteoporose e facilitar o diagnóstico precoce da doença, o que consequentemente implica na redução de custos com cirurgias, tratamento, hospitalizações e perda de produtividade.