A Aplicação do Aprendizado Profundo na Prevenção e Diagnóstico de Diabetes Mellitus Tipo 2 da Especialização em Informática em Saúde

Resumo

 Este trabalho analisou a aplicação de redes neurais profundas no diagnóstico precoce e na previsão de complicações do Diabetes Mellitus Tipo 2 (DM2). O estudo teve como objetivo principal investigar como essas tecnologias contribuem para melhorar a acurácia diagnóstica e preditiva em relação a métodos tradicionais. Foi utilizada uma revisão de literatura integrativa, abrangendo artigos publicados entre 2019 e 2024 em bases como PubMed, IEEE Xplore, ScienceDirect e Google Scholar. A análise incluiu modelos como LSTM, CNN e RNN, destacando seus desempenhos superiores em métricas como acurácia (até 85%) e área sob a curva (AUC) (até 0,98). Os resultados evidenciaram que as redes neurais profundas permitem previsões mais personalizadas, identificando trajetórias de controle glicêmico e categorizando pacientes em grupos de risco. Com isto, a integração de dados genômicos, tabulares e clínicos mostrou-se essencial para a personalização do manejo clínico. Entretanto, foram identificadas limitações, como a dependência de grandes volumes de dados e o custo computacional elevado, que podem restringir a adoção em larga escala. Concluiu-se que o aprendizado profundo é uma ferramenta promissora na gestão do DM2, promovendo avanços significativos na medicina de precisão. Futuras pesquisas devem focar na otimização dos modelos e na ampliação das fontes de dados para maior acessibilidade e aplicabilidade prática.