PREDIÇÃO DA PROGRESSÃO NEUROLÓGICA EM PESSOAS VIVENDO COM HTLV UTILIZANDO MODELOS DE MACHINE LEARNING

Laryssa Bandeira de Melo Silva; Patrícia Muniz Mendes Freire de Moura; João Pacífico Bezerra Neto

Todos os Trabalhos

Trabalho

Título do Trabalho

PREDIÇÃO DA PROGRESSÃO NEUROLÓGICA EM PESSOAS VIVENDO COM HTLV UTILIZANDO MODELOS DE MACHINE LEARNING

Autores

Laryssa Bandeira de Melo Silva
Patrícia Muniz Mendes Freire de Moura
João Pacífico Bezerra Neto

Modalidade

SUBMISSÃO / RESUMO-EDITAIS (PROPEGI/PROEC/PROGRAD)

Área temática

Trabalhos Locais - Pesquisa

Data de Publicação

26/08/2026

País da Publicação

Brasil

Idioma da Publicação

pt-BR

Página do Trabalho

https://www.even3.com.br/anais/semana-universitaria-upe-2025/1316593-predicao-da-progressao-neurologica-em-pessoas-vivendo-com-htlv-utilizando-modelos-de-machine-learning

ISBN

978-65-272-2695-6

Palavras-Chave

Variáveis, Progressão, Modelos

Resumo

O vírus linfotrópico de células T humanas (HTLV) pode causar desde infecções assintomáticas até doenças graves, como a paraparesia espástica tropical (HAM/TSP). A ausência de biomarcadores específicos dificulta prever a progressão neurológica. Nesse cenário, a aplicação de machine learning (ML) surge como alternativa promissora, integrando grandes volumes de dados para identificar padrões ocultos. Este estudo utilizou modelos de ML para prever sintomas neurológicos em pessoas vivendo com HTLV, com base em dados clínicos e hematológicos. Foram incluídos 127 pacientes acompanhados no Hospital Universitário Oswaldo Cruz. O projeto foi aprovado pelo Comitê de Ética em Pesquisa do HUOC (CEP-HUOC), sob parecer nº 5.543.999. As variáveis foram organizadas em dataframes e pré-processadas, incluindo eliminação de inconsistências, normalização de valores numéricos e conversão de variáveis categóricas. A relação entre elas foi avaliada pelos métodos de Spearman e t-student, seguida da seleção de atributos pelo SelectKBest e remoção de multicolinearidade via VIF. Para treino e teste aplicou-se validação cruzada Leave-One-Out combinada com random under sampler. Os dados foram submetidos a nove modelos de ML e avaliados por recall, curva de aprendizado, matriz de confusão e importância das variáveis (SHAP). Os modelos Random Forest (RF) e Logistic Regression (LR) apresentaram melhor desempenho, com boa generalização e baixa taxa de falsos negativos (5,5% e 6,3%, respectivamente), essencial para detecção precoce do risco neurológico. Embora o Naive Bayes tenha alcançado recall superior (0,812) e apenas 5 falsos negativos, mostrou tendência ao overfitting pela divergência entre treino e teste. A análise SHAP apontou doenças cardiovasculares como principais preditores (+0,19 na RF; +0,51 no LR), seguidas por sintomas gastrointestinais e leucócitos. Assim, modelos de ML mostram-se promissores para prever a progressão clínica, apoiando a prática médica e o prognóstico personalizado.

Título do Evento: Semana Universitária da Universidade de Pernambuco 2025 (SU-2025)
Cidade do Evento: Recife
Título dos Anais do Evento: Anais da Semana Universitária 2025: Trabalhos Locais
Nome da Editora: Even3
Meio de Divulgação: Meio Digital

Como citar

SILVA, Laryssa Bandeira de Melo; MOURA, Patrícia Muniz Mendes Freire de; NETO, João Pacífico Bezerra. PREDIÇÃO DA PROGRESSÃO NEUROLÓGICA EM PESSOAS VIVENDO COM HTLV UTILIZANDO MODELOS DE MACHINE LEARNING.. In: Anais da Semana Universitária 2025: Trabalhos Locais. Anais...Recife(PE) Universidade de Pernambuco, 2025. Disponível em: https//www.even3.com.br/anais/semana-universitaria-upe-2025/1316593-PREDICAO-DA-PROGRESSAO-NEUROLOGICA-EM-PESSOAS-VIVENDO-COM-HTLV-UTILIZANDO-MODELOS-DE-MACHINE-LEARNING. Acesso em: 12/10/2026