Análise comparativa de modelos estatísticos e redes neurais na detecção de cistite a partir de dados clínicos

Este estudo avaliou a aplicação de algoritmos de Inteligência Artificial (IA) no apoio ao diagnóstico de cistite aguda, a partir de dados clínicos provenientes de um dataset público. O objetivo principal foi comparar o desempenho de classificadores supervisionados incluindo Redes Neurais Artificiais (RNAs) e métodos estatísticos na detecção de inflamações da bexiga urinária. A metodologia envolveu etapas de pré-processamento, balanceamento de classes, normalização e validação cruzada estratificada. O classificador Linear Discriminant Analysis (LDA) apresentou o melhor desempenho, com acurácia de 99,17%, precisão de 99,23%, F1-Score de 99,17%. Outros modelos com desempenho destacado foram Radial Basis Function (RBF), Random Forest (RF), Quadratic Discriminant Analysis (QDA), Support Vector Machine (SVM) com kernel RBF e K-Nearest Neighbors (K-NN), todos com acurácias superiores a 93%. O classificador Extreme Learning Machine (ELM) também demonstrou desempenho robusto, com acurácia de 95% e AUC de 98,89%. Em contrapartida, o Multilayer Perceptron (MLP) apresentou resultados inferiores entre as redes neurais artificiais, com acurácia de 74,17% e AUC de 86,09%. Modelos baseados em boosting como XGBoost, CatBoost e AdaBoost exibiram desempenho intermediário, com acurácias entre 77% e 89%, e AUCs superiores a 94%. Os resultados indicam que métodos discriminantes lineares e modelos de ensemble são mais eficazes que abordagens probabilísticas simples e redes neurais convencionais no apoio ao diagnóstico clínico da cistite aguda.