BSI × Saúde × Inteligência Artificial

Diagnóstico clínico
guiado por ML

Insira os dados vitais de um paciente e veja como o algoritmo Classifier Chains com Random Forest prediz diabetes, hipertensão e risco cardíaco — em tempo real, no browser.

3 modelos encadeados
300 instâncias sintéticas
100% sem servidor
Arquitetura do modelo

Classifier Chains — como a cadeia funciona

Cada classificador recebe a predição do anterior como atributo de entrada. Isso captura correlações entre condições que modelos independentes ignoram.

modelo 01
Diabetes
Idade Glicose IMC
→ pred_diabetes
modelo 02
Hipertensão
Idade Pressão pred_diabetes
→ pred_hiper
modelo 03
Risco Cardíaco
Idade Colesterol pred_diabetes pred_hiper
→ resultado final
🌲
Random Forest
Ensemble de árvores de decisão treinadas com bootstrap sampling. Robusto a outliers e eficiente em dados tabulares clínicos.
🔗
Classifier Chains
Técnica multirrótulo onde cada classificador recebe as predições dos anteriores. Modela correlações entre diagnósticos implicitamente.
⚗️
Dataset sintético
300 instâncias geradas com regras clínicas reais — limiares de glicose, pressão, colesterol — com 8% de ruído para simular variabilidade real.
Ferramenta interativa

Execute o diagnóstico

Preencha os dados do paciente. Os três modelos são treinados automaticamente quando a página carrega.

Inicializando modelos...
Parâmetros do Paciente Classifier Chains v1
Faixa de treino: 20–80 anos
Normal <100 · Diab ≥126
Normal <120 · Hiper ≥130
Desejável <200 · Alto ≥240
Normal 18.5–24.9 · Obeso ≥30
Resultado do Diagnóstico
🩸
Diabetes
💓
Hipertensão
❤️
Risco Cardíaco
Este simulador é exclusivamente educacional e utiliza dados sintéticos. Não substitui avaliação médica profissional.
Contexto educacional

Desenvolvido para aulas de BSI

Este simulador conecta conceitos de Machine Learning com aplicações reais na área da saúde, tornando o aprendizado concreto e interativo.

01
Disciplinas relacionadas

Inteligência Artificial, Mineração de Dados, Sistemas de Informação em Saúde, Algoritmos e Estruturas de Dados.

02
Conceitos aplicados

Classificação supervisionada, ensemble learning, multirrótulo, Classifier Chains, overfitting, treino/teste, viés algorítmico.

03
Tecnologias

Implementação original em Java com Weka. Esta versão web usa JavaScript puro — mesma lógica de ML, zero instalação.

04
Limitações intencionais

Dataset sintético, regras simplificadas e ruído artificial — pontos de debate e aprofundamento para a turma discutir.