Comparação entre redes neurais e sistemas imunológicos artificiais para identificar doenças cardiovasculares

Abstract

As doenças cardiovasculares representam uma das principais causas de mortalidade global, exigindo métodos eficazes de diagnóstico precoce. Este estudo propõe uma comparação entre dois modelos computacionais aplicados à predição de doenças cardíacas: Redes Neurais Multicamadas (MLP), baseadas em aprendizado profundo, e Sistemas Imunológicos Artificiais (AIS), inspirados em mecanismos adaptativos do sistema imunológico humano. Para isso, foram utilizados dois conjuntos de dados públicos: o Cleveland Heart Disease Dataset, composto por 303 registros, e o Cardiovascular Disease Dataset (Kaggle), com 70.000 amostras. Os modelos foram avaliados com base em três métricas principais: acurácia, tempo de processamento e eficiência (acertos por segundo). Os resultados mostraram que o modelo MLP obteve melhor desempenho geral, especialmente em grandes volumes de dados. Por outro lado, o AIS demonstrou maior leveza computacional em bases menores, com destaque para sua eficiência no dataset Cleveland. Conclui-se que a escolha do modelo mais adequado deve considerar o contexto de aplicação, equilibrando precisão diagnóstica e disponibilidade de recursos computacionais.

Cardiovascular diseases are among the leading causes of global mortality, demanding effective methods for early diagnosis. This study presents a comparison between two computational models applied to the prediction of heart disease: Multilayer Perceptrons (MLP), based on deep learning, and Artificial Immune Systems (AIS), inspired by adaptive mechanisms of the human immune system. Two public datasets were used: the Cleveland Heart Disease Dataset, comprising 303 records, and the Cardiovascular Disease Dataset (Kaggle), with 70,000 samples. The models were evaluated using three main metrics: accuracy, processing time, and efficiency (correct predictions per second). The results showed that the MLP model achieved superior overall performance, particularly with large datasets. In contrast, the AIS model exhibited greater computational lightness in smaller datasets, standing out in efficiency with the Cleveland dataset. It is concluded that the most suitable model depends on the application context, balancing diagnostic precision and available computational resources.