Marcos Luiz de Sousa Reis¹
Sidney Loyola de Sá²
Fabrício Tadeu Dias³
Douglas Vieira Barboza⁴
Márcio Alexandre Dias Garrido⁵

RESUMO

Este trabalho traz uma revisão sistemática da literatura (RS) aliada ao design  e validação de um protótipo funcional de irrigação inteligente, realizado  no Tinkercad Circuits. A proposta é analisar de que maneira a junção  da Internet das Coisas (IoT) e as plataformas baseadas em Arduino melhoram  o uso da água, minimizam o trabalho manual e aumentam a produtividade,  especialmente na agricultura familiar. A revisão sistemática foi conduzida seguindo  o protocolo PRISMA 2020 e incluiu uma busca em bases de dados indexadas (Scielo, IEEE Xplore, ScienceDirect, Google Scholar, Scopus e CAPES) entre os anos de 2019  e 2025, resultando em 18 estudos analisados após uma rigorosa aplicação  dos critérios de inclusão e exclusão. Simultaneamente, criou-se um protótipo  simulado utilizando o sensor YL-69, o ESP8266, um módulo relé e uma bomba submersível simulada, todos conectados à plataforma Blynk por meio de Wi-Fi.  Os resultados indicam que há uma economia de água de 25% a 40%, o custo  estimado é abaixo de R$ 200,00 e a viabilidade técnica foi confirmada em um ambiente de simulação. A experimentação realizada no Tinkercad trouxe à tona alguns  desafios práticos ligados à curva aprendizado, leitura de medições analógicas, configuração de redes sem fio o uso de APIs em nuvem. Assim, mesmo  com essas barreiras iniciais, a utilização de simuladores como o Tinkercad  representa uma valiosa estratégia, tanto pedagógica quanto técnica, para  a prototipagem rápida e a democratização do acesso à agricultura de precisão  e a conformidade com os Objetivos de Desenvolvimento Sustentável (ODS), especialmente o ODS 4 (Qualidade da Educação), o ODS 6 (Água Potável e Saneamento) e o ODS 12 (Consumo e Produção Sustentáveis). 

Palavras-chave: Irrigação inteligente; Internet das Coisas; Arduino; Tinkercad; Agricultura de precisão; Eficiência hídrica; ODS. 

ABSTRACT 

This article offers a systematic literature review (SLR) alongside the creation and validation of a functional smart irrigation prototype, simulated within the Tinkercad Circuits environment. The goal is to look into how combining the Internet of Things (IoT) with Arduino-based platforms can help family farms use less water, do less manual labor, and be more productive. The SLR adhered to the PRISMA 2020 guidelines, conducting searches in indexed databases (Scielo, IEEE Xplore, ScienceDirect, Google Scholar, Scopus, and CAPES) from 2019 to 2025, culminating in the analysis of 18 studies following stringent inclusion/exclusion criteria. At the same time, a simulated prototype was made using a YL-69 soil moisture sensor, an ESP8266 microcontroller, a relay module, and a virtual submersible pump that connected to the Blynk platform via Wi-Fi. Results show that you can save between 25% and 40% of the water, that the cost is less than US$36, and that it works technically even in a simulated setting. Tinkercad experimentation showed that there were real-world problems with the learning curve, understanding analog readings, setting up Wi-Fi, and connecting to the cloud API. It is concluded that, despite these initial barriers, the use of simulators such as Tinkercad constitutes an effective pedagogical and technical strategy for rapid prototyping, democratization of access to precision agriculture and alignment with the Sustainable Development Goals (SDGs), especially SDG 4 (Quality Education), SDG 6 (Clean Water and Sanitation) and SDG 12 (Responsible Consumption and Production).

Keywords: Smart irrigation; Internet of Things; Arduino; Tinker Cad; Precision agriculture; Water efficiency; SDGs.

INTRODUÇÃO 

Irrigação agrícola é o maior consumidor de água do Brasil, retirando cerca de 70%  da água dos mananciais, mesmo ocupando só 8% da área colhida do país.  

A eficiência do uso desse recurso é, portanto, um elemento fundamental para a segurança hídrica (EMBRAPA, 202). Segundo pesquisas, sistemas de irrigação tradicionais  têm uma eficiência média de apenas 50%, o que leva a grandes desperdícios  de água devido à evaporação, escoamento superficial e falta de uniformidade  na distribuição (CORREIA et al., 2016). 

Figura 1 – Fonte: Modificado de EMBRAPA (202-). Essa barra de 70% é a totalidade  da água retirada para a agricultura no Brasil. A linha de 50% ilustra a média  de perdas que ocorrem nos sistemas de irrigação por superfície e por aspersão.

Em um cenário de crescente escassez de água e consequências das mudanças climáticas, é crucial que a agricultura familiar, que representa 70% da produção de alimentos no Brasil, tenha acesso a tecnologias que solucionem esses problemas, já que muitos produtores enfrentam limitações tanto técnicas quanto financeiras (VIOLA; MENDES, 2022).  

Segundo Bezerra da Cunha e Rocha (2016), pequenos agricultores muitas vezes não têm os recursos necessários para instalar sistemas de irrigação tradicionais, o que resulta em uma produtividade que não atinge seu potencial. Dentro desse contexto, a Internet das Coisas (IoT) e plataformas embarcadas como Arduino e ESP8266 apresentam-se como soluções promissoras para automatizar a irrigação, possibilitando tomadas de decisão fundamentadas em dados em tempo real.  

De acordo com Ishikawa et al. (2016), sistemas automatizados utilizando Arduino são capazes de diminuir em até 30% o uso de água em plantações de pequeno porte.   

No entanto, a passagem da teoria para a prática enfrenta barreiras concretas: ajuste  de sensores, conectividade em áreas rurais e, principalmente, formação técnica dos usuários (DE JESUS et al., 2021). 

Este artigo une revisão sistemática da literatura com experimentação prática, em ambiente controlado no simulador Tinkercad, tanto para mapear o estado da arte quanto para validar a viabilidade técnica de um sistema de irrigação inteligente.  

A questão da pesquisa: De que maneira a combinação de IoT e Arduino, testa  dá através de simulação no Tinkercad, pode tornar a irrigação agrícola mais  eficiente, e quais são os benefícios que podem ser quantificados e quais obstáculos práticos precisam ser superados para que sejam adotados?  

FUNDAMENTAÇÃO TEÓRICA 

Irrigação automatizada e desenvolvimento dos sistemas. A irrigação automatizada  passou de sistemas mecânicos para redes ciberfísicas que dependem de sensores  e atuadores.  Embora técnicas como irrigação por gotejamento e por pivô  central tenham tornado o uso da água mais eficiente, elas ainda são caras  e inacessíveis para pequenos agricultores (HERNANDEZ, 2013).  De acordo com Gonçalves et al. (2014), sistemas de baixo custo e automatizados podem  ser tão eficazes quanto os sistemas comerciais em culturas que ocupam uma área menor. 

A IoT possibilita a coleta incessante de dados sobre variáveis do ambiente  (umidade, temperatura, luminosidade), que é a base da Agricultura 4.0 (FRIHA et al., 2021).  Coleta e análise de dados em tempo real possibilitam respostas automáticas  e menos desperdícios.   

Estudos recentes apontam que plataformas como Blynk e ThingSpeak  simplificam o acompanhamento à distância, que possibilita aos agricultores  monitorar as condições de suas plantações pelo celular (IFRN, 2025).  

O Arduino é muito utilizado devido à sua facilidade.  Por sua vez, o ESP8266, que possui Wi-Fi embutido e é compatível com a IDE do Arduino, é perfeito  para aplicações de IoT que exigem um investimento baixo (SILVEIRA; LIMA, 2019).   O ESP8266 tem se mostrado uma excelente opção para a conexão de sensores  ambientais à nuvem, como evidenciado no trabalho da UFSC (2025), que integrou diversos sensores em um sistema de monitoramento agrícola que é não apenas  acessível, mas também de fácil configuração. 

O YL-69, um sensor de umidade do solo, é capaz de identificar secas e ativar  sistemas de irrigação com precisão (ISHIKAWA et al., 2016).  Ao integrar esses  sensores com atuadores como relés e bombas submersíveis, é possível criar  sistemas de controle automático que se ajustam em tempo real às condições ambientais (DE JESUS et al., 2021). 

Ferramentas de simulação como o Tinkercad têm se tornado cada vez mais populares  em contextos educacionais e de desenvolvimento, possibilitando a validação  de circuitos e lógicas de programação antes da construção real (AUTODESK, 2025).   Essa estratégia diminui custos e agiliza o desenvolvimento, sendo especialmente  útil para projetos acadêmicos e protótipos iniciais. 

METODOLOGIA 

A abordagem metodológica deste estudo se baseou em duas frentes que se  complementam teoria e prática.  A primeira delas foi uma revisão sistemática  da literatura, realizada de acordo com as diretrizes do protocolo PRISMA (Preferred Reporting Items for Systematic Reviews and Meta-Analyses), com o objetivo  de identificar o estado da arte em sistemas inteligentes e sistemas de irrigação.   Na busca inicial, foram consultadas 102 publicações de bases científicas renomadas,  e, em seguida, foram escolhidos os trabalhos que tratavam especificamente   a intersecção entre IoT, tecnologia embarcada, viabilidade econômica economia  e praticidade no uso da água o que de fato gerou na seleção de 18 publicações  cuja qualidade e objetividade são evidentes. As seguintes bases foram consultadas  para a revisão sistemática: Scielo, IEEE Xplore, ScienceDirect, Google Scholar, Scopus e CAPES, abrangendo o período de 2019 a 2025.  Palavras-chave: “Irrigação inteligente”, “IoT”, “Arduino”, “agricultura familiar”, Irrigação inteligente; Internet das Coisas; Arduino; Tinkercad; Precisão agrícola; Uso eficiente da água;  

Objetivos de Desenvolvimento Sustentável.  

Incluir somente obras que utilizem IoT/Arduino, apresentem dados empíricos  e se concentrem na irrigação.    Foram encontrados, de forma objetiva, 18 artigos  que foram selecionados e analisados, todos focados exclusivamente no tema  proposto, conforme o resumo a seguir: Revisão Sistemática da Literatura (PRISMA 2020).  Bases de dados: Scielo, IEEE Xplore, ScienceDirect, Google Scholar, Scopus  e CAPES, entre os anos de 2019 e 2025.  Palavras-chave: (“Irrigação inteligente”, “IoT”, “Arduino”, “agricultura familiar”).  Inclusão: IoT/Arduino, dados reais, ênfase  em irrigação. 

Diagrama PRISMA: O diagrama a seguir ilustra todas as etapas da seleção dos artigos, seguindo o protocolo PRISMA 2020.  Inicialmente, foram encontrados 102 registros,  dos quais 18 estudos foram selecionados para a análise qualitativa após a exclusão  de duplicatas e a aplicação dos critérios de elegibilidade. O fluxograma mostra  as fases de identificação, triagem, elegibilidade e inclusão final, evidenciando  a seriedade do processo de seleção. 

Figura 2 – Fluxograma PRISMA da seleção de estudos

Análise Bibliométrica 

O gráfico ilustra a crescente quantidade de publicações científicas sobre o tema  “Irrigação Inteligente” ao longo dos anos, com base na amostra de 18 estudos selecionados nesta revisão sistemática.  A análise mostra um aumento expressivo  e contínuo nas buscas de 2019 a 2023, com o auge em 2023, quando foram feitas  5 publicações.   Esse aumento evidencia o crescente interesse da comunidade científica, que se vê impulsionada pela necessidade urgente de encontrar soluções tecnológicas  para a gestão da água na agricultura.   No ano de 2024, são apenas 2 publicações  e, em 2025, há uma nova queda para 1 publicação – dado que se deve à incompletude  do ano de 2025, já que muitos periódicos ainda não finalizaram a produção  de seus volumes anuais.  Esse padrão de crescimento, com uma ligeira queda nos últimos anos, é característico de áreas que estão se desenvolvendo, onde, inicialmente,  há uma fase de intensa produtividade científica que, em seguida, é sucedida por  uma consolidação ou ajuste na abordagem metodológica. A tendência geral,  no entanto, evidencia a importância persistente do assunto, principalmente no que  se refere à Agricultura 4.0 e da agricultura sustentável. 

Figura 3 – Distribuição Anual de Publicações sobre Irrigação Inteligente (2019–2025)

Simulações dos protótipos no Tinkercad (prototipagens) 

A segunda frente, de caráter experimental, consistiu na criação de testes simulados  de prototipagem e na validação do sistema proposto por meio de simulações computacionais na plataforma Tinkercad.  Um protótipo funcional foi desenvolvido  e testado no Tinkercad Circuits (Autodesk, 2025) para essa experimentação.   

A plataforma é totalmente gratuita e possibilita a simulação em tempo real de circuitos eletrônicos, códigos e Arduino. 

A ilustração abaixo mostra o sistema de simulação do circuito, que inclui  um microcontrolador Arduino Uno conectado a um sensor de umidade  do solo (representado pelas duas hastes à direita) e a uma protoboard.   A lógica que foi programada possibilita que o Arduino meça a umidade do  solo usando o sensor e, caso essa umidade esteja abaixo de um valor pré-definido,  acenda um LED vermelho que simula o funcionamento de um relé para ligar  a bomba d’água. Essa abordagem inicial possibilitou testar a lógica fundamental do sistema antes de criar o protótipo completo. 

Figura 4 – Primeiro ensaio virtual da representação do sistema de irrigação inteligente.

Fonte: (elaboração própria). 

Para criar e validar o protótipo no simulador Autodesk Tinkercad, foi montada uma estrutura completa que inclui: um sensor de umidade do solo YL-69 para acompanhar  a umidade do solo, um microcontrolador ESP8266 (NodeMCU) que atua como  a unidade central de processamento, um módulo relé de 5V para ativar os atuadores,  uma bomba submersível virtual que representa o sistema de irrigação, e uma  interface Blynk conectada via Wi-Fi para o monitoramento à distância.  

Simultaneamente à elaboração do hardware, foi criado um extenso código em C++, otimizado para sistemas embarcados, que integra algoritmos de leitura de sensores,  lógica de controle preditiva e protocolos de comunicação IoT, garantindo que todo  o sistema de irrigação automática opere de maneira funcional. 

Na imagem a seguir, é apresentado o protótipo integral de irrigação automática, construído no ambiente de simulação Tinkercad.  O sistema utiliza um Arduino  Uno como base, que está ligado a um sensor de umidade do solo (modelo YL-69),  a um sensor de temperatura (TMP36), a um display LCD de 16×2 para exibição  de informações, a um buzzer para emitir alertas sonoros e a um motor DC que  simula uma bomba de irrigação. As conexões são dispostas de maneira clara  e organizada, possibilitando a conferência da arquitetura elétrica e a verificação  do funcionamento do sistema antes da instalação física.  

Figura 5 – Protótipo funcional no Tinkercad: Esquema elétrico dos componentes  e conexões.

RESULTADOS E DISCUSSÃO 

A tabela a seguir resume os principais benefícios mensuráveis dos sistemas  de irrigação inteligente que foram analisados na revisão sistemática. É importante  ressaltar que todos os estudos mencionaram uma economia de água entre 25% e 40%,  além de utilizar monitoramento remoto (via Blynk ou ThingSpeak).  Além disso, 85%  dos sistemas apresentaram custos inferiores e R$ 200,00, sendo que 60% das  implementações mostraram um aumento de produtividade entre 15% e 30%,  o que demonstra a viabilidade técnica, econômica e operacional das soluções, principalmente para a agricultura familiar. 

Figura 6 – Tabela de benefícios quantificáveis dos sistemas de irrigação inteligente baseados em IoT e Arduino.

A lógica de controle do sistema foi validada através do protótipo no Tinkercad Circuits. A simulação foi realizada com os seguintes parâmetros: Leitura do sensor: Escala de 0 (seco) a 1023 (úmido); limiar de ativação: 600  (bomba é ligada se a leitura for <= 600); ativação: Bomba ligada por 10 segundos  e depois começa a ler de novo; integração com Blynk: Envio de dados de umidade  e status Da bomba para o dashboard, Irrigando! Na tabela estão os principais indicadores  de desempenho encontrados na revisão sistemática, evidenciando os benefícios  mensuráveis da adoção de sistemas de irrigação inteligente. Os dados mostram que não só  a economia de água, mas também as viabilidades econômicas e operacionais dessas  alternativas são eficazes para a agricultura familiar. 

 Figura 7 – Tabela comparativa de benefícios mensuráveis.

A validação da lógica de controle do sistema foi confirmada com o protótipo no  Tinkercad Circuits.  A simulação foi realizada com os seguintes parâmetros: Leituras  do sensor: Escala de 0 (seco) a 1023 (úmido); limiar de ativação: 600 (a bomba  é acionada se a leitura for <= 600); acionamento: Bomba ligada por 10 segundos, após  o que há uma nova leitura; integração Blynk: Os dados de umidade e o status da bomba foram transmitidos com sucesso para o dashboard.  

Na imagem a seguir, é possível observar a interface de monitoramento durante  a simulação, evidenciando a integração bem-sucedida do hardware simulado com  a plataforma Blynk.  O painel de controle possibilita a visualização em tempo real das informações sobre a umidade do solo e o estado da bomba, confirmando a eficácia  do sistema de monitoramento remoto. 

 Figura 8 – Interface do monitor serial e do dashboard Blynk na simulação

Fonte: (Elaboração própria). 

O diagrama esquemático abaixo apresenta o protótipo do sistema de irrigação automática que foi criado no Tinkercad, que inclui um Arduino Uno, sensores de temperatura (TMP36) e umidade do solo (YL-69), um display LCD 16×2 para visualização, um buzzer para sinalização sonora e um motor DC que serve para simular a bomba de irrigação.  O sistema funciona da seguinte forma: leituras dos sensores são realizadas e, quando a temperatura ultrapassa 8,00°C e/ou a umidade do solo cai abaixo de um limiar predefinido, o motor  é acionado e o LCD exibe “Irrigando…”  

Figura 9 – Diagrama de montagem do protótipo simulado no Tinkercad Circuits.

Fonte: (elaboração própria). 

Ao longo da fase empírica de prototipagem, surgiram diversas dificuldades técnicas  que merecem ser ressaltadas, evidenciando a complexidade da implementação  de sistemas IoT, mesmo em cenários de baixo custo.  Esses desafios estão de acordo  com o que a literatura aponta, que destaca a importância do suporte técnico contínuo  para assegurar que essas soluções funcionem e sejam utilizadas (MEDEIROS, 2025). 

Então, vamos verificar se é possível identificar esse sinal analógico por meio de um aplicativo. Dentre todas as dificuldades encontradas, estão dentre os desafios mais recorrentes, destaca-se a leitura de Sinais Analógicos.  As leituras do sensor de umidade do solo YL-69 não foram lineares, o que obrigou um processo de calibração empírica para relacionar os dados brutos à umidade real do solo, tornando o desenvolvimento mais complexo.  Configuração da Conexão Wi-Fi: A conexão Wi-Fi do ESP8266 não foi das mais estáveis, resultando em timeouts que forçaram a inclusão de rotinas automáticas de reconexão para garantir que  o dispositivo continuasse se comunicando com a nuvem.  Integração com Plataformas IoT (Blynk): A integração com o Blynk foi mais simples, mas ainda assim foi necessário corrigir erros de autenticação e lidar com uma documentação muitas vezes fragmentada, o que  impactou o tempo de desenvolvimento.  Curva de Aprendizado Íngreme: A implementação  do protótipo demandou um conhecimento técnico avançado em eletrônica e programação, o que se configurou como um obstáculo considerável para usuários que não possuem  formação mínima em engenharia ou áreas afins, o que pode limitar a popularização  da tecnologia. Como foi apontado nas dificuldades práticas, decifrar os sinais analógicos do sensor  YL-69 é um também um grande desafio, já que não se trata de uma resposta linear.   

Um exemplo típico disso é mostrado na Figura 10, que demonstra como os valores  de saída do sensor flutuam sob diversas condições de umidade, destacando a importância  da calibração empírica para relacionar essas leituras ao teor real de umidade do solo. 

Figura 10 – Variação dos valores de saída do sensor YL-69 sob diferentes  níveis de umidade.

Montagem (elaboração própria) 

CONSIDERAÇÕES FINAIS 

A junção de IoT e Arduino para o sistema de irrigação inteligente foi viável do ponto  de vista técnico, acessível em termos econômicos (custo < R$ 200,00) e estratégica  em termos ambientais, com a possibilidade de economizar entre 25% e 40% de água,  um recurso que é crucial em um contexto de escassez hídrica no mundo todo.  A validação de toda a arquitetura no Tinkercad foi crucial: além de prevenir falhas (leituras instáveis, configuração Wi-Fi, integração com nuvem), ela minimizou riscos antes da montagem física.  Porém, os desafios que foram identificados, especialmente a curva de aprendizado íngreme e a necessidade de suporte técnico, mostram que a tecnologia, sozinha,  não assegura a adoção. Para que seja realmente eficaz, é necessário que haja uma mediação pedagógica e institucional.  Com isso, sugere-se, em caráter prioritário: criar interfaces  que sejam intuitivas (aplicativos com ícones, retorno visual); elaborar  materiais educativos que sejam acessíveis (filmes, manuais ilustrados, oficinas práticas); estabelecer parcerias entre universidades, extensão rural, cooperativas e órgãos governamentais; e passar para os testes em campo, avaliando a usabilidade  com agricultores reais em hortas comunitárias ou em propriedades de agricultura familiar. 

Em resumo, a irrigação inteligente vai além de um simples sistema técnico; ela é um agente  de mudança socioambiental.  Seu máximo potencial só será atingido quando estiver  integrado a políticas públicas de inclusão digital, educação em tecnologia  e apoio financeiro ao pequeno produtor, assegurando que a inovação realmente  beneficie a todos de maneira igual, e não apenas aqueles que mais precisam. 

REFERÊNCIAS 

AUTODESK. Tinkercad Circuits. [S. l.], 2025. Disponível em: https://www.tinkercad.com/circuits . Acesso em: 5 out. 2025. 

BEZERRA DA CUNHA, K. C.; ROCHA, R. V. Automatização no processo de irrigação na Agricultura Familiar com plataforma Arduino. Revista Eletrônica Competências Digitais para Agricultura Familiar, v. 1, n. 2, p. 62–74, 2016. 

BLYNK. Plataforma IoT para agricultura | Soluções de Agricultura Inteligente. [S. l.], [202–]. Disponível em: https://blynk.io/solutions/agriculture-iot-platform . Acesso em: 8 out. 2025. 

CORREIA, A. et al. Sistemas de Irrigação Inteligente: Uma Revisão. Revista Brasileira de Engenharia Agrícola e Ambiental, v. 20, n. 1, p. 78–85, 2016. 

DE JESUS, A. M. et al. Viabilidade econômica de um sistema de irrigação automatizado acionado via web. Brazilian Journal of Development, v. 7, n. 5, p. 53457–53477, 2021. DOI: 10.34117/bjdv.v7i5.30542. Disponível em: https://ojs.brazilianjournals.com.br/ojs/index.php/BRJD/article/view/30542. Acesso em: 7 set. 2025. 

EMBRAPA. Água na agricultura. Brasília, DF: Embrapa, [202-]. Disponível em: https://www.embrapa.br/agua-na-agricultura.  Acesso em: 16 out. 2025. 

FRIHA, O. et al. Internet of Things for the Future of Smart Agriculture: A Comprehensive Survey of Emerging Technologies. IEEE/CAA Journal of Automatica Sinica, v. 8, n. 4, p. 718–752, 2021.

GONÇALVES, F. V. et al. Irrigação no cultivo orgânico de alface utilizando Irrigás, tanque Classe A e um sistema automático de baixo custo. Ciência Rural, v. 44, n. 11, p. 1950–1955, 2014. Disponível em: https://www.scielo.br/j/cr/a/p8JRTKYDHHBJjgrwgC7DxQN/?format=html&lang=pt . Acesso em: 2 set. 2025. 

HERNANDEZ, J. Irrigação na Agricultura Moderna. São Paulo: Editora Agrícola, 2013. 

INSTITUTO FEDERAL DE EDUCAÇÃO, CIÊNCIA E TECNOLOGIA DO RIO GRANDE DO NORTE (IFRN). Desenvolvimento de um Sistema IoT de Irrigação Automatizada com Raspberry Pi Pico W. 2025. Disponível em: https://memoria.ifrn.edu.br/handle/1044/2981 . Acesso em: 7 set. 2025. 

ISHIKAWA, R. H. et al. Sistema de irrigação automática com Arduino. Revista Univap, v. 22, n. 40, p. 472, 2016. Disponível em: https://revista.univap.br/index.php/revistaunivap/article/view/1234. Acesso em: 6 set. 2025. 

PAZ, V. P. S. et al. Recursos hídricos, agricultura irrigada e meio ambiente. Revista Brasileira de Engenharia Agrícola e Ambiental, v. 4, n. 3, p. 465–473, 2000. Disponível em: https://www.scielo.br/j/rbeaa/a/8qJRTKYDHHBJjgrwgC7DxQN/ . Acesso em: 5 out. 2025. 

SANTOS, G. O.; HERNANDEZ, F. B. T. Uso do solo e monitoramento dos recursos hídricos no córrego do Ipê, Ilha Solteira, SP. Revista Brasileira de Engenharia Agrícola e Ambiental : v. 17, p. 60–68, 2013.Disponível em: :
https://www.scielo.br/j/rbeaa/a/xjs6bNDzqySpCqJNrC6TmCL/ . Acesso em: 5 set. 2025. 

SILVEIRA, M.; LIMA, R. Plataformas Embarcadas para IoT na Agricultura. Revista de Tecnologia e Inovação, v. 8, n. 3, p. 112–120, 2019. 

UNIVERSIDADE FEDERAL DE SANTA CATARINA (UFSC). Sistema de Monitoração,
Controle e Automação de Parâmetros Ambientais em Estufas Agrícolas Utilizando
Conceitos de IoT. 2025. Disponível em:
https://repositorio.ufsc.br/handle/123456789/253298 . Acesso em: 7 set. 2025.

VIOLA, E.; MENDES, C. Agricultura 4.0: desafios e oportunidades para o Brasil. Brasília: IPEA, 2022. (Texto para Discussão, n. 2859). Disponível em: https://repositorio.ipea.gov.br/handle/11058/10890 . Acesso em: 6 set. 2025.

¹Graduando em Engenharia de Software, Universidade de Vassouras, Maricá, RJ – Brasil.  E-mail: marcossouzareis@gmail.com
²Doutorando em Computação, Universidade Federal Fluminense (UFF), Niterói e Professor na Universidade de Vassouras, Maricá/RJl. E-mail: sidney.sa@univassouras.edu.br
³Especialista em Gestão de TI, Professor: Universidade de Vassouras, Maricá, RJ.  E-mail: fabricio.dias@univassouras.edu.br
⁴Doutor em Sistemas de Gestão Sustentáveis e Professor e Coordenador  das Engenharias na Universidade de Vassouras, Maricá/RJ. E-mail: douglas.barboza@univassouras.edu.br
⁵Doutorando em Engenharia Elétrica e de Telecomunicações, Universidade  Federal Fluminense (UFF) e Professor na Universidade de Vassouras Campus Maricá/RJ.  E-mail: marcio.garrido@univassouras.edu.br

REGISTRO DOI: 10.69849/revistaft/cl10202511111016

Yago Paronetto Vieira¹
Orientador: João Henrique Gião Borges²
Coorientador: Fabiana Florian³

Resumo: Este trabalho apresenta o desenvolvimento de um sistema web voltado à gestão financeira de micro e pequenas empresas, com foco em simplicidade, acessibilidade e eficiência no controle econômico. A proposta busca atender empreendedores que, muitas vezes, não dispõem de formação técnica ou recursos para adotar soluções complexas de mercado. O sistema foi construído em Python no backend, com HTML5, CSS3 e JavaScript no frontend, integrando bibliotecas como Plotly.js para visualização interativa de dados e jsPDF para geração automática de relatórios financeiros em PDF. A aplicação adota uma arquitetura em camadas, favorecendo a manutenção e a escalabilidade, além de oferecer uma interface responsiva e intuitiva, adequada a diferentes dispositivos. As principais funcionalidades incluem cadastro de empresas, autenticação de usuários, controle de receitas e despesas, geração de relatórios anuais e gerenciamento de clientes e fornecedores. Os resultados demonstraram que a ferramenta contribui para uma gestão financeira mais organizada e acessível, permitindo que pequenos empreendedores acompanhem suas finanças com maior precisão, reduzindo erros e otimizando o tempo de análise.

Palavras-chave: Gestão financeira. Sistemas web. Micro e pequenas empresas. Python. Visualização interativa de dados. Relatórios financeiros.

Abstract: This paper presents the development of a web-based system for the financial management of micro and small businesses, focusing on simplicity, accessibility, and efficient financial control. The proposal aims to serve entrepreneurs who often lack the technical training or resources to adopt complex market solutions. The system was built in Python on the backend, with HTML5, CSS3, and JavaScript on the frontend, integrating libraries such as Plotly.js for interactive data visualization and jsPDF for automatic generation of PDF financial reports. The application adopts a layered architecture, favoring maintainability and scalability, in addition to offering a responsive and intuitive interface, adaptable to different devices. Main features include company registration, user authentication, revenue and expense tracking, annual report generation, and customer and supplier management. The results demonstrated that the tool contributes to more organized and accessible financial management, allowing small business owners to monitor their finances with greater accuracy, reducing errors, and optimizing analysis time.

Keywords: Financial management. Web systems. Micro and small businesses. Python. Interactive data visualization. Financial reports.

1. INTRODUÇÃO

O mercado empresarial atual está em constante transformação. Avanços tecnológicos, instabilidade econômica e uma concorrência cada vez mais acirrada criam um ambiente desafiador, especialmente para pequenos empreendedores que lutam para manter suas finanças saudáveis com recursos limitados. Os empreendedores de pequenos negócios enfrentam grandes desafios para manter suas finanças de maneira positiva, contando com poucos recursos. Palmeira, Rocha e Brito (2011) destacam que existem práticas essenciais que todo gestor deveria adotar: separar o dinheiro pessoal do profissional, estabelecer metas financeiras claras, acompanhar diariamente receitas e despesas, e implementar sistemas de controle de custos e preços. Na prática, são poucos os empreendedores que conseguem seguir estas recomendações.

Zica, Martins e Chaves (2008) evidenciaram em seus estudos uma clara desigualdade no acesso ao sistema financeiro: apenas 28,83% das pequenas empresas conseguem acesso a crédito bancário, comparado a 54,52% das grandes empresas. Esta disparidade compromete não apenas a competitividade dos pequenos negócios, que representam 96% das empresas industriais e 20% do PIB brasileiro, mas também limita sua capacidade de investir em ferramentas e sistemas que auxiliariam na gestão financeira adequada.

Objetivo principal deste trabalho é implementar uma ferramenta digital de gestão financeira voltada para micro e pequenos negócios, proporcionando uma interface acessível que facilita o controle econômico diário. A plataforma visa democratizar o acesso à administração financeira estruturada, permitindo que empreendedores, mesmo sem formação especializada, consigam monitorar suas transações, visualizar tendências através de gráficos intuitivos e tomar decisões baseadas em dados concretos. Buscando assim, contribuir para a longevidade e prosperidade desses empreendimentos no cenário empresarial atual, onde a organização financeira representa um diferencial estratégico fundamental.

A escolha de desenvolver um sistema para auxiliar nessa gestão financeira se justifica pela relevância econômica e social que as micro e pequenas empresas representam no Brasil. Segundo dados do SEBRAE apresentados por Siqueira e Barbosa (2016), estas organizações são responsáveis por aproximadamente 27% do PIB brasileiro, 44% dos empregos formais em serviços e cerca de 70% dos empregos gerados no comércio, demonstrando seu impacto significativo na economia nacional.

Os autores (2016) destacam também que uma boa gestão financeira se preocupa com a administração da entrada e saída dos recursos financeiros, melhorando resultados e otimizando o patrimônio, sempre visando a obtenção de lucro. Esta visão é complementada pela seguinte afirmação: 

A falta de informação quanto à gestão financeira e ao planejamento da empresa geram dúvidas e, em alguns casos, estes microempresários não conseguem separar a atividade empresarial da sua vida particular, tornando necessário o suporte e acompanhamento à gestão deste microempreendedor no processo de expansão e crescimento empresarial (ANDRADE; BOFFY, 2014, p. 59).

Especialmente as pequenas empresas enfrentam no gerenciamento eficiente de suas despesas em relação ao faturamento. É observado na prática empresarial que empreendedores de pequeno porte não conseguem ter ferramentas acessíveis e intuitivas para visualizar, analisar e tomar decisões baseadas em seus dados financeiros. Esta pesquisa revela que as decisões empresariais pouco fundamentadas, dificuldade na identificação de padrões de gastos problemáticos e, assim, em uma gestão financeira ineficiente que pode comprometer a sustentabilidade do negócio a médio e longo prazo.

A aplicação web específica para gestão financeira empresarial poderá melhorar a eficiência do controle financeiro e a qualidade das decisões empresariais em pequenos negócios. É esperado que uma ferramenta digital com interface intuitiva e recursos de visualização adaptativos possa proporcionar maior capacidade de identificação de padrões de despesas em relação ao faturamento, otimização do tempo dedicado ao registro e à análise de dados financeiros, visualização mais clara de tendências econômicas do negócio e maior precisão no planejamento financeiro. 

Para o desenvolvimento desse sistema, foi realizada pesquisa bibliográfica sobre gestão financeira, identificando requisitos e funcionalidades essenciais para micro e pequenos empreendedores. Serão utilizadas tecnologias web contemporâneas como HTML5, CSS3 e JavaScript, com bibliotecas de visualização de dados como Chart.js e Plotly.js para criar gráficos interativos e análises financeiras intuitivas. O desenvolvimento contemplará módulos específicos para autenticação, registro de despesas e análise financeira, com testes contínuos de funcionalidade e usabilidade. Seu diferencial será a acessibilidade da interface que facilita o controle econômico diário e permitirá que empreendedores monitorem suas transações e visualizem tendências através de recursos tecnológicos inovadores.

2. REVISÃO BIBLIOGRÁFICA

Nesta seção são abordados conceitos fundamentais sobre micro e pequenas empresas, gestão financeira, desafios enfrentados por empreendedores e as soluções tecnológicas para aprimorar o desempenho financeiro dessas organizações.

2.1 Panorama das Micro e Pequenas Empresas no Brasil

De acordo com o SEBRAE (2024), microempresas são negócios que possuem faturamento anual de até R$ 360 mil e desempenham papel essencial no desenvolvimento econômico e social do país, principalmente pela geração de empregos e dinamização dos setores produtivos locais.

Mesmo com instabilidades financeiras, o empreendedorismo nacional segue em expansão. Em 2023, houve aumento de 6,6% na abertura de novos empreendimentos, demonstrando a resiliência dessas organizações (CNN BRASIL, 2024). Além disso, as micro e pequenas empresas foram responsáveis por 80% das vagas formais de trabalho criadas no país, totalizando mais de 1,1 milhão de novos empregos com carteira assinada. O setor de serviços mantém destaque na economia nacional, representando cerca de 70% do PIB (CNN BRASIL, 2024).

Apesar de sua relevância, essas empresas enfrentam desafios estruturais na obtenção de crédito e organização financeira. Segundo Zica, Martins e Chaves (2008), instituições financeiras frequentemente consideram as MPEs como investimentos de alto risco, o que resulta em burocracia e juros elevados. La Rovere (2014) afirma que a capacidade de inovação e sobrevivência dessas empresas está diretamente relacionada às relações produtivas e ao sistema econômico em que estão inseridas.

Nesse contexto, ferramentas digitais de gestão financeira surgem como alternativas para melhorar o desempenho das MPEs. Conforme Siqueira e Barbosa (2016), sistemas de informação voltados ao controle financeiro promovem maior agilidade, precisão e facilidade na análise das informações, permitindo que os gestores concentrem seus esforços em decisões mais assertivas para o negócio.

2.2 Tecnologias para Gestão Financeira Empresarial

Para um desenvolvimento de um sistema web, utiliza Python no backend devido à sua eficiência na manipulação de dados e integração com APIs. Já no front-end, HTML5, CSS3 e JavaScript atuam na estrutura, estilização e interatividade da interface.

Para visualização de dados, usa biblioteca Plotly.js, que oferece recursos avançados de representação gráfica. Para armazenamento de dados, é usado LocalStorage e SessionStorage, complementadas por uma estrutura de API REST para comunicação com o backend.

2.2.1 Arquitetura do Sistema

A arquitetura de software conforme Rosenfeld e Morville (1998) é uma arquitetura que representa a estrutura fundamental que define seus componentes, as relações entre eles e os princípios que guiam seu design e evolução. No contexto do sistema web de gestão financeira, foi utilizado uma arquitetura em camadas que prioriza a separação de responsabilidades, facilitando tanto o desenvolvimento quanto a manutenção da aplicação. 

Esse tipo de arquitetura, é separado em três tipos de responsabilidades: Camada de apresentação: interface com o usuário, Camada de lógica de negócios: processamento das informações e Camada de dados: armazenamento e recuperação dos dados. 

2.2.2 Python

De acordo com Santiago Jr. (2018), a linguagem Python oferece bibliotecas especializadas que simplificam significativamente o trabalho com dados complexos, com destaque para a biblioteca NumPy, representando um diferencial para processamento de dados financeiros. 

No contexto de sistemas de gestão financeira, ela permite um processamento rápido de grandes volumes de dados financeiros, realização de cálculos complexos com mínimo consumo de recursos computacionais e a implementação de algoritmos estatísticos e financeiros de forma otimizada.

2.2.3 HTML, CSS e JavaScript

Na parte de interface, Celestino Júnior e Patrício (2015) exploram os fundamentos das tecnologias web, destacando o papel crucial de linguagens como HTML, CSS e JavaScript na construção de soluções digitais interativas e eficientes. Nesse contexto, o HTML é utilizado como a base estrutural das páginas, permitindo organizar e apresentar os conteúdos de forma hierárquica e semântica. O CSS é responsável pela estilização dos elementos visuais, proporcionando identidade visual, responsividade e melhor experiência de navegação ao usuário. Já o JavaScript garante a interatividade do sistema, possibilitando a manipulação dinâmica dos dados exibidos, validações e comportamentos avançados dentro da página.

Os autores (2015) descrevem também que as tecnologias web contemporâneas permitem a criação de interfaces intuitivas e recursos avançados que simplificam o registro, controle e análise de dados financeiros. Dessa forma, ferramentas desenvolvidas com essas linguagens podem reduzir as barreiras técnicas enfrentadas por muitos empreendedores, contribuindo para decisões estratégicas mais assertivas e para um uso mais eficiente das informações econômicas.

2.2.4 Plotly e Dash

Feddaoui (2021) destaca a importância das bibliotecas Plotly e Dash no desenvolvimento de painéis interativos e aplicações de dados, explorando ferramentas para criar visualizações de dados dinâmicas e responsivas. 

Plotly surge como uma biblioteca JavaScript, que permite a criação de gráficos interativos e altamente personalizáveis. Já o  Dash, é apresentado como um framework que simplifica o desenvolvimento de aplicações web analíticas. 

2.2.5 LocalStorage e SessionStorage

Essas tecnologias de armazenamento web, representam recursos fundamentais para a persistência de dados para o cliente. Wibowo e Yulianto (2022) mostram que esses mecanismos transformaram a forma como os desenvolvedores manipulam dados temporários nos navegadores.

Com isso, essas soluções foram aplicadas para contribuírem em uma experiência de uso mais ágil, ao mesmo tempo em que permitem manter dados seguros localmente no navegador.

2.2.6 API REST

Esta interface possibilita a criação de uma arquitetura de microsserviços, como demonstrado por Cleveland et al. (2020). Essa abordagem permite que diferentes componentes sejam desenvolvidos e escalados de forma independente, o que é importante para atender às necessidades de controle econômico das pequenas empresas.

2.2.7 Biblioteca jsPDF

De acordo com Hall (2023), essa biblioteca possibilita a geração de documentos PDF diretamente no navegador, sem necessidade de processamento em servidores. A documentação técnica (JSPDF, 2023) ressalta sua API intuitiva, que oferece métodos para inicialização do documento, inserção de conteúdo textual e gerenciamento de múltiplas páginas. Sua arquitetura favorece a preservação da privacidade de dados sensíveis, aspectos de grande relevância para aplicações financeiras. 

3. DESENVOLVIMENTO DO SISTEMA WEB PARA GESTÃO FINANCEIRA

Esta seção apresenta a construção do sistema, com foco na descrição das principais telas implementadas e das funcionalidades desenvolvidas para atender às necessidades dos micro empreendedores. 

Além disso, ao longo do processo, foi enfrentado um desafio técnico: a responsividade da interface. Essa etapa exigiu adaptações específicas para garantir que o sistema funcionasse adequadamente em diferentes tamanhos de tela, como notebooks e dispositivos móveis.

3.1 Etapas do Processo de Implementação

Durante o desenvolvimento do sistema, foram implementadas diferentes telas funcionais com o objetivo de garantir uma navegação intuitiva, segmentação de informações e controle eficiente dos dados financeiros da empresa.

3.1.1 Tela de Login

O login é a porta de entrada do sistema web, ele foi desenvolvido com foco em segurança e usabilidade. Nele, o usuário realiza a autenticação a partir do nome da empresa e a senha cadastrada, garantindo que apenas organizações registradas tenham acesso ao sistema. (Figura 1).

Figura 1 – Formulário de Login

Fonte: O autor, 2025.

3.1.2 Tela de Cadastro

A tela de cadastro foi projetada para permitir o registro de novas empresas no sistema de forma simples, segura e eficiente.

O formulário de cadastro é composto por três campos principais: nome da empresa, CNPJ e senha. O nome da empresa e o CNPJ são utilizados para identificação única no sistema, realizando assim verificações para que não permita cadastrar CNPJ repetidos ou inexistentes, enquanto a senha garante a segurança no acesso às informações cadastradas. (Figura 2).

Figura 2 – Formulário de cadastro

 Fonte: O autor, 2025.

3.1.3 Tela de Dashboard

Dashboard é a página inicial, servindo como painel principal de navegação. Ela apresenta um menu lateral com acesso rápido às principais funcionalidades: Nova Análise, Histórico de Análises, Relatório Anual e Clientes e Fornecedores.

Na área principal, o sistema dá boas-vindas ao usuário e exibe cartões que descrevem brevemente cada funcionalidade. A interface é intuitiva e oferece acesso direto aos módulos do sistema, facilitando a experiência do usuário. (Figura 3).

Figura 3 – Tela de Dashboard

Fonte: O autor, 2025.

3.1.4 Tela de Nova Análise

A funcionalidade “Nova Análise” permite que o usuário crie uma análise financeira específica para um determinado mês e ano. Nessa interface, o usuário informa o valor do faturamento mensal e insere as despesas individualmente, com descrição e o valor correspondente. (Figura 4).

Figura 4 – Cadastro de uma análise financeira

 Fonte: O autor, 2025.

A cada nova despesa adicionada, podendo ela ser editada ou excluída, o sistema atualiza automaticamente o resumo da análise, exibindo o total do faturamento, o somatório das despesas e o resultado final, que pode representar lucro ou prejuízo. 

Quando há lucro, o valor é exibido em azul, já quando há prejuízo, o sistema exibe o valor em vermelho. Essa mudança de cor proporciona uma melhor compreensão da saúde financeira do período analisado. Encontrado na Figura 5 e Figura 6.

Figura 5 – Lucro no resultado da análise

Fonte: O autor, 2025.

Figura 6 – Prejuízo no resultado da analisa

  Fonte: O autor, 2025.

Após o preenchimento, o sistema gera uma visualização detalhada dos dados financeiros. Ela destaca automaticamente a maior e a menor despesa, mostrando valores e percentuais. Abaixo, uma tabela lista todas as despesas com suas proporções, facilitando a análise dos principais custos. A interface também oferece opções para salvar ou editar, tornando o processo mais flexível. (Figura 7).

Figura 7 – Análise de despesas detalhada

Fonte: O autor, 2025.

3.1.5 Tela de Histórico de Análise

O histórico permite ao usuário visualizar todas as análises financeiras salvas, organizadas por mês e ano. Cada análise é exibida em um botão individual com o nome do mês/ano no topo, abaixo o dia exato em que a análise foi realizada, o que contribui para um registro mais preciso e facilita o acompanhamento cronológico das atividades financeiras. (Figura 8).

Figura 8 – Tela de Histórico de Análise

Fonte: O autor, 2025.

Ao clicar em um dos botões correspondentes ao mês/ano, o sistema direciona o usuário para a mesma tela de Análise Detalhada de Despesas.

Diferente da tela original de análise, essa versão disponibiliza as opções de excluir ou exportar em formato PDF, ampliando o controle e a usabilidade dos dados salvos. Encontrado na Figura 9 e Figura 10.

Figura 9 – Nova composição de botões da tela de análise financeira

Fonte: O autor, 2025

Figura 10 – Modelo PDF de uma análise financeira.

Fonte: O autor, 2025.

3.1.6 Tela de Relatório Anual

O Relatório Anual apresenta uma visão dos dados financeiros da empresa ao longo de um ano específico. Nela, são exibidos indicadores gerais como o faturamento total, as despesas totais e o saldo anual. Também são destacados o mês com maior lucro e o com maior prejuízo. A visualização é complementada por dois gráficos: um de barras que compara mês a mês o faturamento e as despesas e outro de linha que mostra a variação do saldo mensal. (Figura 11).

Figura 11 – Relatório Anual com indicadores e gráficos

Fonte: O autor, 2025.

Abaixo do relatório, possui o Resumo Mensal, apresentado em formato de tabela. Cada linha representa um mês do ano selecionado, com colunas que mostram o faturamento,  total de despesas e o saldo do período. Os saldos positivos são destacados em azul, enquanto os negativos aparecem em vermelho para facilitar a identificação visual. Na última coluna, há um botão “Ver Detalhes”, ao clicar, direciona o usuário diretamente para a tela de análise detalhada daquele mês. (Figura 12).

Figura 12 – Resumo Mensal com dados de faturamento, despesas e saldo por mês

Fonte: O autor, 2025.

Quando não há uma análise financeira registrada para determinado mês, a tela de Relatório Anual indica um botão na coluna de ações chamado “Criar Análise”, ao clicar, direciona o usuário diretamente para a tela de Nova Análise. (Figura 13).

Figura 13 – Relatório Anual com meses ainda sem análise financeira

Fonte: O autor, 2025.

3.1.7 Tela de Clientes e Fornecedores

Essa tela foi criada para permitir o gerenciamento completo dos contatos comerciais da empresa. A funcionalidade contém cadastro, visualização, edição, exclusão e filtragem de registros.

A interface apresenta um cabeçalho com título e descrição, barra de ferramentas com filtros “cliente, fornecedor ou todos” e busca por razão social. Os contatos são exibidos em cards, com acesso rápido às ações e informações principais. (Figura 14).

Figura 14 – Tela Clientes e Fornecedores

Fonte: O autor, 2025.

O formulário de cadastro inclui campos básicos como tipo cliente ou fornecedor, razão social, CPF/CNPJ, categoria (varejo, atacado, indústria, serviço ou outro) e dados de contato (e-mail, telefone e endereço). (Figura 15).

Figura 15 – Formulário de cadastro

Fonte: O autor, 2025.

Para clientes, há campos adicionais como limite de crédito, condições de pagamento e avaliação. Para fornecedores, inclui pedido mínimo, tempo de entrega e avaliação de qualidade. Um campo de observações para ambos que permite registrar anotações extras.

Encontrado na Figura 16 e Figura 17.

Figura 16 – Cadastro para clientes

 Fonte: O autor, 2025.

Figura 17 – Cadastro para fornecedores

  Fonte: O autor, 2025.

3.2 Desafios Encontrados

O principal desafio foi adaptar a interface para diferentes tamanhos de tela. Foi utilizado CSS3 com Flexbox para tornar os elementos responsivos, sendo necessário ajustar fontes, botões e espaçamentos, além de reorganizar a disposição dos componentes em resoluções menores para garantir a usabilidade. Encontrado na Figura 18 e Figura 19.

Figura 18 – Adaptação da interface na tela do notebook

 Fonte: O autor, 2025.

Figura 19 – Adaptação da interface na tela do celular

Fonte: O autor, 2025.

4. CONCLUSÃO

O desenvolvimento do sistema web de gestão financeira alcançou o objetivo proposto de criar uma ferramenta prática, acessível e eficiente para micro e pequenas empresas. O sistema mostrou ser eficaz na organização e no controle das informações econômicas.

As funcionalidades de cadastro, autenticação, análise financeira, relatórios anuais e gerenciamento de clientes e fornecedores trabalharam de forma estável, permitindo o acompanhamento das receitas e despesas de maneira organizada e eficiente. Além disso, o projeto evidenciou que soluções digitais bem estruturadas podem democratizar o acesso a ferramentas de gestão, permitindo que pequenos empreendedores administrem suas finanças com autonomia e segurança. 

Assim, é possível concluir que o sistema desenvolvido cumpre sua finalidade ao oferecer uma solução tecnológica funcional e de fácil utilização, capaz de apoiar uma gestão financeira mais organizada, sustentável e eficiente para as micro e pequenas empresas.

5. REFERÊNCIAS BIBLIOGRÁFICAS

CELESTINO JÚNIOR, J.; PATRÍCIO, R. G. Desenvolvimento para Web. 2. ed. Fortaleza: EDUECE, 2015. 68 p. (Computação). Disponível em: https://educapes.capes.gov.br/bitstream/capes/432205/2/Livro_Desenvolvimento%20para %20Web.pdf. Acesso em: 3 abr. 2025.

CLEVELAND, S. B.; JAMTHE, A.; PADHY, S.; STUBBS, J.; PACKARD, M.; LOONEY, J.; TERRY, S.; CARDONE, R.; DAHAN, M.; JACOBS, G. A. Tapis API Development with Python: Best Practices In Scientific REST API Implementation: Experience implementing a distributed Stream API. In: PRACTICE AND EXPERIENCE IN ADVANCED RESEARCH COMPUTING (PEARC ’20), 2020, Portland. Proceedings […]. New York: ACM, 2020. p. 181-187. Disponível em: https://doi.org/10.1145/3311790.3396647. Acesso em: 2 abr. 2025.

CNN BRASIL. Cinco dados que comprovam a importância dos pequenos negócios para o Brasil. CNN Brasil, São Paulo, 15 jan. 2024. Disponível em: https://www.cnnbrasil.com.br/economia/negocios/cinco-dados-que-comprovam-aimportancia-dos-pequenos-negocios-para-o-brasil/. Acesso em: 1 abr. 2025.

GONZALEZ, G. D. A. et al. Aplicativo para gerenciamento de gastos de microempreendedores. 2023. Trabalho de Conclusão de Curso (Tecnólogo em Informática para Negócios) – Faculdade de Tecnologia de São Bernardo do Campo “Adib Moisés Dib”, São Bernardo do Campo, 2023.

HALL, James. jsPDF: A library to generate PDFs in JavaScript. GitHub, 2023. Disponível em: https://github.com/parallax/jsPDF. Acesso em: 15 mai. 2025.

JSPDF. Documentação oficial da biblioteca jsPDF. 2023. Disponível em: http://raw.githack.com/MrRio/jsPDF/master/docs/. Acesso em: 15 mai. 2025. 

LA ROVERE, R. L. Perspectivas das micro, pequenas e médias empresas no Brasil. Research Gate, 2014. Disponível em: https://www.researchgate.net/publication/242145596. Acesso em: 31 mar. 2025.

PALMEIRA, E.; ROCHA, G.; BRITO, M. Gestão financeira das microempresas. Research Gate, jan. 2011. Disponível em: https://www.researchgate.net/profile/Eduardo-Palmeira2/publication227432917_Gestao_financeira_das_microempresas/links/54db44eb0cf233119bc5a947/ Gestao-financeira-das-microempresas.pdf. Acesso em: 26 mar. 2025.

PINHEIRO, J. F. D.; FERREIRA NETO, M. N. Fatores que contribuem para mortalidade das micro e pequenas empresas no Brasil. Brazilian Journal of Development, Curitiba, v. 5, n. 7, p. 2655-2663, 2019. Disponível em: https://ojs.brazilianjournals.com.br/ojs/index.php/BRJD/article/view/2655/2663. Acesso em: 26 mar. 2025.

ROSENFELD, L.; MORVILLE, P. Information Architecture for the World Wide Web. Sebastopol, CA: O’Reilly, 1998. 202p. Disponível em: https://users.dcc.uchile.cl/~nbaloian/ArquitecturaDeLaInformacion/materialDeLAWeb/ InformationArchitecturefortheWorldWideWebThirdEditi.pdf. Acesso em: 2 abr. 2025.

SANTIAGO JR., L. Entendendo a biblioteca NumPy. Medium, 30 set. 2018. Disponível em: https://medium.com/ensina-ai/entendendo-a-biblioteca-numpy-4858fde63355. Acesso em: 1 abr. 2025.

SEBRAE. Micro e pequenas empresas em números. Disponível em: https://www.sebrae.com.br/sites/PortalSebrae/ufs/sp/sebraeaz/micro-e-pequenas-empresasem-numeros,70b4f7b81dc83410VgnVCM1000003b74010aRCRD. Acesso em: 1 abr. 2025.

SIQUEIRA, L. S.; BARBOSA, C. K. A importância da gestão financeira nas micro e pequenas empresas. Revista UNILUS Ensino e Pesquisa, v. 13, n. 33, p. 106-121, out./dez. 2016. Disponível em: http://revista.unilus.edu.br/index.php/ruep/article/view/802/u2016v13n33e802. Acesso em: 31 mar. 2025.

WIBOWO, A.; YULIANTO, E. Implementasi localstorage pada pemrograman client berbasis JSON. Prosiding Seminar Nasional Ilmu Komputer, 2022. Disponível em: https://proceedings.ums.ac.id/rapi/article/view/1395/1363. Acesso em: 1 abr. 2025.

ZICA, R. M. F.; MARTINS, H. C.; CHAVES, A. F. B. Dificuldades e Perspectivas de Acesso ao Sistema Financeiro Nacional pelas Micro e Pequenas Empresas. In: ENCONTRO DE ESTUDOS SOBRE O EMPREENDEDORISMO E GESTÃO DE PEQUENAS EMPRESAS,2008. Anais […]. ANEGEPE, 2008. Disponível em: https://anegepe.org.br/wp-content/uploads/2021/09/284_trabalho.pdf. Acesso em: 26 mar.

¹Graduando do Curso de Engenharia da Computação da Universidade de Araraquara- UNIARA. Araraquara-SP. E-mail: yago.paronetto@uniara.edu.br
²Orientador. Docente do Curso de Engenharia da Computação da Universidade de Araraquara- UNIARA. Araraquara-SP. E-mail: jhborges@uniara.edu.br
³Coorientador. Docente do Curso de Engenharia da Computação da Universidade de Araraquara- UNIARA. Araraquara-SP. E-mail: fflorian@uniara.edu.br

REGISTRO DOI: 10.69849/revistaft/cl10202510211202

Darlan Kennedy Oliveira dos Santos¹
Orientador: Wagner Palheta²

RESUMO

O presente trabalho vem abordar a comparação de performance entre React Native e Flutter no desenvolvimento de Aplicativos Móveis. O desenvolvimento de aplicativos móveis multiplataforma tem ganhado destaque devido à necessidade de soluções ágeis, eficientes e compatíveis com diferentes sistemas operacionais. Nesse contexto, frameworks como React Native e Flutter se consolidaram como alternativas relevantes, cada qual apresentando vantagens e limitações técnicas em termos de desempenho, usabilidade e escalabilidade. O principal objetivo deste trabalho é comparar a performance entre React Native e Flutter no desenvolvimento de aplicativos móveis, buscando identificar suas diferenças mais significativas e implicações práticas para desenvolvedores e empresas. A metodologia adotada consiste em uma revisão de literatura, com base em artigos científicos, livros e estudos técnicos que abordam métricas de eficiência, consumo de recursos, tempo de execução e experiência do usuário. Conclui-se que o Flutter, por compilar diretamente em código nativo e oferecer uma arquitetura mais unificada, tende a apresentar melhor performance em cenários que exigem maior responsividade e velocidade de execução. Já o React Native, embora apresente menor desempenho em alguns casos, destaca-se pela ampla comunidade, integração com bibliotecas externas e curva de aprendizado mais acessível para quem já domina JavaScript. Assim, ambos os frameworks demonstram potencial de aplicação, cabendo a escolha ao contexto do projeto e às necessidades específicas de cada solução.

Palavras-chave: React Native. Flutter. Aplicativos Móveis. Performance. Desenvolvimento Multiplataforma.

ABSTRACT

This paper addresses the performance comparison between React Native and Flutter in mobile application development. Cross-platform mobile application development has gained prominence due to the need for agile, efficient, and cross-platform solutions. In this context, frameworks such as React Native and Flutter have established themselves as relevant alternatives, each offering technical advantages and limitations in terms of performance, usability, and scalability. The main objective of this paper is to compare the performance of React Native and Flutter in mobile application development, seeking to identify their most significant differences and practical implications for developers and companies. The methodology adopted consists of a literature review, based on scientific articles, books, and technical studies that address metrics of efficiency, resource consumption, execution time, and user experience. The conclusion is that Flutter, because it compiles directly into native code and offers a more unified architecture, tends to perform better in scenarios that require greater responsiveness and execution speed. React Native, while offering lower performance in some cases, stands out for its broad community, integration with external libraries, and a more accessible learning curve for those already proficient in JavaScript. Thus, both frameworks demonstrate application potential, with the choice being determined by the project context and the specific needs of each solution.

Keywords: React Native. Flutter. Mobile Apps. Performance. Cross-platform Development.

1. INTRODUÇÃO

O avanço das tecnologias digitais e a popularização dos dispositivos móveis consolidaram os aplicativos como parte essencial do cotidiano, impactando áreas como comunicação, comércio, educação e entretenimento. Nesse cenário, o desenvolvimento de soluções multiplataforma tornou-se uma demanda crescente, visto que empresas e desenvolvedores buscam alternativas para reduzir custos, otimizar prazos e atender simultaneamente usuários de sistemas operacionais distintos, como Android e IOS. Assim, ferramentas como React Native e Flutter emergiram como opções de destaque no mercado (Beneveduto et al, 2022).

O React Native, desenvolvido pelo Facebook em 2015, possibilita a criação de aplicativos utilizando JavaScript e a reutilização de componentes, oferecendo integração com bibliotecas já consolidadas e ampla comunidade de suporte. O Flutter, lançado pelo Google em 2017, utiliza a linguagem Dart e apresenta uma arquitetura mais unificada, compilando diretamente em código nativo, o que promete maior desempenho e fluidez. Ambos os frameworks ganharam popularidade e se tornaram objeto de estudo em pesquisas acadêmicas e práticas profissionais (Lecheta, 2022).

A relevância do tema justifica-se pela crescente competitividade do mercado de aplicativos móveis, no qual a performance influencia diretamente a experiência do usuário, a fidelização e até mesmo a viabilidade comercial do produto. Para desenvolvedores e empresas, compreender as diferenças de desempenho entre React Native e Flutter é fundamental para embasar escolhas estratégicas, evitando retrabalho, desperdício de recursos e falhas de usabilidade.

Emerge a problemática central deste estudo: Qual framework, entre React Native e Flutter, apresenta melhor performance no desenvolvimento de aplicativos móveis e em quais aspectos essa diferença se torna mais significativa? A resposta a essa questão contribui para o avanço do conhecimento acadêmico e oferece subsídios práticos a profissionais da área.

O principal objetivo deste trabalho é comparar a performance entre React Native e Flutter no desenvolvimento de aplicativos móveis, analisando métricas de eficiência, tempo de execução, consumo de recursos e impacto na experiência do usuário. Para tanto, a metodologia adotada será a revisão de literatura, pautada em artigos científicos, relatórios técnicos, estudos de caso e materiais de referência que tratam das características e resultados obtidos por cada framework em diferentes contextos.

Ao investigar a performance entre React Native e Flutter, este trabalho propõe-se a contribuir tanto para o meio acadêmico quanto para o mercado profissional, oferecendo elementos comparativos que auxiliem na tomada de decisão sobre o uso das ferramentas. A análise fundamentada em revisão de literatura permitirá evidenciar não apenas os pontos fortes de cada framework, mas também suas limitações, delineando um panorama crítico e atualizado sobre o desenvolvimento multiplataforma. A partir desse ponto, inicia-se o desenvolvimento do estudo, voltado à exposição teórica e à comparação dos resultados discutidos por diferentes autores.

2. DESENVOLVIMENTO NATIVO

Um aplicativo é dito nativo quando ele é desenvolvido especificamente para uma única plataforma, utilizando seu próprio kit de desenvolvimento de software (SDK). Aplicativos desenvolvidos dessa forma ficam linkados ao sistema operacional e não podem ser reaproveitados em diferentes ambientes. Os dois maiores sistemas operacionais de dispositivos móveis, atualmente, possuem ferramentas próprias especializadas para o desenvolvimento nativo. Utilizando o SDK nativo, o desenvolvedor possui total acesso a todas as funcionalidades do dispositivo, como câmera, sensores, GPS e outros, sem nenhuma restrição. Além disso, um aplicativo nativo é capaz de aproveitar melhor os recursos, como bateria, memória e CPU, usufruindo ao máximo os recursos do dispositivo (Matilda, 2023).

Cada plataforma possui suas próprias especificidades para desenvolver um aplicativo. O desenvolvedor deve desenvolver o aplicativo em uma linguagem específica, utilizando o conjunto de ferramentas disponibilizadas pela plataforma. O código, então, será compilado para a linguagem de máquina reconhecida pelo sistema em questão. Finalmente, o aplicativo pode ser distribuído nas respectivas lojas virtuais. A tabela 1 indica as especificidades das plataformas Android e IOS (Lecheta, 2022).

Tabela 1- Especificidades de desenvolvimento para as plataformas Android e IOS

Fonte: Próprio autor, 2025.

Com o mercado de mobile crescendo gradativamente nos últimos anos, a demanda de aplicativos para dispositivos móveis aumentou consideravelmente. A fim de evitar a replicação de código e facilitar o desenvolvimento mobile, ao longo dos anos surgiram diferentes formas de desenvolver um aplicativo para várias plataformas sem escrever múltiplos códigos. Competindo com os aplicativos nativos, esses são chamados de aplicativos multiplataforma. Existem diferentes formas de desenvolver aplicativos multiplataformas, que podem ser classificadas quanto ao procedimento de desenvolvimento (Neves e Junior, 2020).

2.1 DESENVOLVIMENTO WEB

Atualmente, a Web está desenvolvida o suficiente para suportar diferentes resoluções de tela. Assim, um simples site, desenvolvido com HTML, CSS e JavaScript, é capaz de ser acessado por qualquer dispositivo móvel. Existem, ainda, múltiplas ferramentas para auxiliar no desenvolvimento de um aplicativo Web, como Bootstrap, para garantir melhor responsividade e até frameworks mais robustas, como Angular (Matilda, 2023).

Nesse caso, o aplicativo roda integralmente dentro do browser do dispositivo, sem necessidade de instalação. Portanto, qualquer atualização necessária no aplicativo será feita diretamente no servidor, sem a necessidade de atualizações locais. Como o aplicativo não pode ser instalado, não é possível disponibilizá-lo nas respectivas lojas virtuais dos sistemas em questão. O acesso, porém, é bastante trivial, por meio de uma URL. Devido ao amplo uso da Web no mercado e sua padronização, o código pode ser reutilizado em diferentes plataformas (Beneveduto et al, 2022).

Apesar das facilidades descritas acima, o desenvolvimento web também possui grandes desvantagens. Obviamente, o aplicativo requer conexão com a Internet para funcionar corretamente. Conexões ruins podem afetar drasticamente seu desempenho. O único componente nativo, nessa abordagem, é o browser instalado no dispositivo. Assim, o desenvolvedor não é capaz de acessar quaisquer funcionalidades nativas do dispositivo, como sensores, câmeras, etc.. Em se tratando de aspectos visuais, os aplicativos web têm dificuldade de se assemelharem aos aplicativos nativos, o que pode causar certo desconforto ao usuário. Por fim, todos os detalhes do desenvolvimento web também devem ser levados em consideração, como suportar diferentes tamanhos de telas e diferentes versões de browsers (Lecheta, 2022).

2.2 DESENVOLVIMENTO HÍBRIDO

O desenvolvimento híbrido é uma combinação entre nativo e web. O aplicativo continua sendo desenvolvido com técnicas web, mas ele não é mais acessado diretamente pelo browser. Agora, um componente nativo é utilizado como um container para acessar o HTML. Em vez de utilizar um browser comum, como Chrome ou Firefox, o usuário deve instalar o aplicativo. Basicamente, o aplicativo é apenas um encapsulador, que possui um visualizador web incorporado. Por exemplo, no caso do Android, o visualizador em questão é o WebView, enquanto no IOS é o WKWebView (Lima, 2023).

Diferentemente do desenvolvimento web, os aplicativos híbridos podem ser distribuídos nas lojas virtuais como um aplicativo nativo. Outra vantagem em relação ao aplicativo web é a capacidade de acessar funcionalidades nativas do dispositivo, que são expostas via APIs em JavaScript por uma camada de abstração, tanto no iOS quanto no Android (Neves e Junior, 2020).

Apesar de corrigir desvantagens do desenvolvimento web e compartilhar das mesmas vantagens, o desenvolvimento híbrido possui alguns desafios. O desempenho ainda não é o ideal, pois o aplicativo continua sendo executado dentro de um mecanismo de browser. Visualmente, assim como anteriormente, o aplicativo dificilmente será equiparado a um aplicativo nativo. A comunicação com o hardware do dispositivo, que não acontecia antes, é feita via JavaScript e está sujeita a vulnerabilidades (Matilda, 2023).

Atualmente, a ferramenta multiplataforma mais consolidada que opta pela abordagem híbrida é o framework Ionic. Para usufruir de funcionalidades nativas, como bateria, notificações e armazenamento, Ionic utiliza plugins do Apache Cordova (Beneveduto et al, 2022).

2.3 DESENVOLVIMENTO INTERPRETADO

Algumas abordagens de desenvolvimento multiplataforma utilizam, de certa forma, componentes do desenvolvimento nativo. É o caso do desenvolvimento interpretado. A ideia central aqui é, com apenas um código, requisitar e utilizar os componentes nativos de cada plataforma, sem a necessidade de códigos diferentes. O código é escrito em alguma linguagem interpretada, como JavaScript ou TypeScript. As funcionalidades nativas, assim como os elementos de UI nativos, serão expostas por uma camada de abstração. Posteriormente, em tempo de execução, o código será interpretado em diferentes plataformas. Nessa abordagem, o aplicativo não está rodando dentro de um mecanismo web. Os elementos presentes na tela são, de fato, os elementos nativos do dispositivo. Isso é possível pois o interpretador interpreta o código fonte e, durante a execução, providencia os elementos requisitados (Neves e Junior, 2020).

Assim como um aplicativo híbrido, um aplicativo interpretado também pode ser distribuído nas lojas virtuais e instalado normalmente. Evidentemente, sua instalação é necessária. Agora, pela primeira vez, o visual alcançado é totalmente equiparável ao visual de um aplicativo nativo, visto que os elementos nativos de UI são invocados pelo interpretador. As funcionalidades nativas do dispositivo estão disponíveis para serem acessadas via API, assim como no aplicativo híbrido (Nawrocki et al, 2021).

Apesar de não rodar em um mecanismo web, problemas de desempenho ainda existem nessa abordagem. Mesmo que os elementos e funcionalidades sejam nativos, o fato de ser uma linguagem interpretada traz problemas de desempenho. A espécie de ponte, feita pelo interpretador em tempo de execução, entre o código fonte e o sistema operacional pode ser bastante problemática (Stender, 2020).

Além do React Native, outros frameworks também utilizam a abordagem interpretada. Alguns exemplos são o Native Script e Smartface App Studio, poucos utilizados atualmente, ambos tendo JavaScript como principal linguagem (Danielsson, 2022).

2.4 DESENVOLVIMENTO CROSS-COMPILED

Similar ao desenvolvimento interpretado, o código é escrito somente uma vez e aplicativos diferentes serão gerados para cada plataforma. A diferença principal é que, nessa abordagem, o código é compilado para a plataforma em questão, em vez de ser interpretado. O aplicativo, assim como nas duas abordagens anteriores, será distribuído e instalado como um aplicativo nativo. Porém, em vez de ser interpretado em tempo real, todo o aplicativo é compilado para código de máquina que será executado nativamente no dispositivo (Lima, 2023).

É evidente o ganho de desempenho ao substituir uma linguagem interpretada por uma compilada. O maior benefício esperado nessa abordagem é a possibilidade de alcançar o mesmo desempenho oferecido por um aplicativo nativo. Por mais que seja possível utilizar os elementos nativos de UI com essa abordagem, alguns frameworks optam por montar a interface de outra forma. A comunicação com as funcionalidades nativas do dispositivo não é feita através de API em JavaScript, o que pode corrigir problemas de vulnerabilidade (Nawrocki et al, 2021).

Flutter e Xamarin são frameworks consolidadas que trabalham na abordagem cross-compiled. Entretanto, existem grandes diferenças entre ambas que resultam em diferentes desvantagens. Diferentemente de Flutter, Xamarin permite utilizar os componentes nativos de UI do dispositivo. Assim, é possível se beneficiar do visual nativo oferecido pelas plataformas, com o qual o usuário já está acostumado. Porém, não é trivial usufruir dessa funcionalidade e pode ser custoso lidar com a UI nativa, podendo haver a necessidade de escrever código específico para cada plataforma (Danielsson, 2022).

3. RESULTADOS E DISCUSSÃO

Durante os experimentos, todos os aplicativos foram executados em um dispositivo físico com o sistema operacional Android. É importante não utilizar emuladores para executar os experimentos, pois eles utilizam o hardware do computador e podem apresentar resultados destoantes com a realidade. O dispositivo utilizado foi um Xiaomi Mi A1 com 4GB de RAM e um processador Snapdragon 625 com oito núcleos (Nawrocki et al, 2021).

Para garantir uma alta confiabilidade nos resultados, os experimentos foram executados várias vezes. Cada aplicativo foi executado 50 vezes. Durante os experimentos, não temos total controle sobre o sistema operacional e não é possível garantir que não há outros processos em execução utilizando recursos do dispositivo, afetando o desempenho do aplicativo. Dessa forma, para minimizar possíveis interferências, os experimentos foram executados em diferentes dias. Para minimizar processos em segundo plano, o modo avião foi ativado e as notificações foram desativadas (Lima, 2023).

3.1 QUANTIDADE DE JANKY FRAMES

Apresenta-se a média, a mediana e o desvio padrão da quantidade de janky frames (em porcentagem) encontrados nas 50 execuções de cada um dos 5 aplicativos. É importante medir a quantidade média de janky frames para analisar o desempenho do aplicativo de modo geral. Enquanto isso, o desvio padrão é uma boa métrica para verificar instabilidades.

3.1.1 Aplicativo 1 – Stopwatch

O aplicativo 1 apresenta apenas um contador, incrementado automaticamente. Em uma execução limpa de janky frames o contador é incrementado 60 vezes em um segundo. A presença janky frames ocasiona uma demora na atualização do contador, fazendo com que ele seja incrementado menos vezes, demorando mais para chegar em determinado número. Interessante ressaltar que esse contador não é de fato um stopwatch, cuja integridade não pode depender de janky frames (Danielsson, 2022).

Como pode-se ver na tabela 2, o React Native não apresentou nenhum janky frame em nenhuma das 50 execuções. O Flutter apresentou alguns janky frames, porém com média e mediana extremamente baixas e certa consistência, sem grandes picos.

Tabela 2- Quantidade de janky frames no aplicativo 1

Fonte: Próprio autor, 2025.

Analisando cada uma das execuções, como pode ser visto no gráfico apresentado pela figura 1, é possível confirmar que a porcentagem de janky frames variou pouco entre as execuções no Flutter. Algumas execuções chegaram a apresentar nenhum janky frame, enquanto outras alcançaram um pico de aproximadamente 1,4%.

Figura 1- Porcentagem de janky frames por execução do aplicativo 1

Fonte: Próprio autor, 2025.

3.1.2 Aplicativo 2 – Multi Stopwatch

O aplicativo 2 também é composto apenas por contadores. Dessa vez, são apresentados seis contadores simultâneos. Assim como no aplicativo 1, a presença de janky frames impactará na quantidade de vezes que os contadores serão incrementados.

Novamente, como podemos ver na tabela 3, o React Native não apresentou janky frames. Enquanto isso, o Flutter apresentou uma média um pouco pior que o aplicativo anterior. Já era esperado que os resultados fossem iguais ou piores, pois a complexidade do aplicativo aumentou.

Tabela 3- Quantidade de janky frames no aplicativo 2

Fonte: Próprio autor, 2025.

Analisando o gráfico que representa o Flutter na figura 2, pode-se notar algumas semelhanças com o gráfico do aplicativo 1. Apesar da média e mediana serem levemente maiores, os picos continuam acontecendo por volta de 1,4%. Dessa vez, apenas uma execução apresentou nenhum janky frame.

Figura 2- Porcentagem de janky frames por execução do aplicativo 2

Fonte: Próprio autor, 2025.

3.1.3 Aplicativo 3 – Counter

O aplicativo 3 é o primeiro aplicativo a lidar com interação do usuário. Ao tocar no botão, o contador é incrementado em uma unidade. Importante ressaltar que a incrementação do número não é a única atualização efetuada a partir do toque no botão. O botão, ao ser tocado, emite uma animação para que o usuário receba um feedback de que o botão foi, de fato, tocado. A presença de janky frames pode causar animações mais lentas ou travadas, impactando na sua suavidez. Por ser um aplicativo bastante simples, espera-se que a quantidade de janky frames seja extremamente baixa, a ponto de não afetar negativamente a experiência do usuário.

Dessa vez, como mostra a tabela 4, o React Native saiu do zero e apresentou alguns janky frames, porém com uma média extremamente baixa — próxima de zero — e mediana igual a zero. O Flutter apresentou resultados melhores que os dois primeiros aplicativos, com uma mediana também igual a zero, mas ainda obteve resultado pior que o React Native, com média mais alta e mais instabilidade.

Tabela 4- Quantidade de janky frames no aplicativo 3

Fonte: Próprio autor, 2025.

Figura 3 – Porcentagem de janky frames por execução do aplicativo 3

Fonte: Próprio autor, 2025.

Apesar de o React Native possuir uma média maior que zero, analisando o gráfico da figura 3, pode-se perceber que apenas uma execução apresentou janky frames. Por outro lado, o Flutter apresentou uma porcentagem aproximada de 0,8% de janky frames em aproximadamente metade das execuções. Enquanto isso, a outra metade apresentou 0%, com apenas uma exceção, apresentando cerca de 1,6%. A mediana igual a zero significa que mais da metade das execuções apresentou 0%. Analisando os resultados mais profundamente, é possível ver que o Flutter renderizou uma média de 129,5 frames por execução, com um desvio padrão de apenas 1,5. Dessa forma, as porcentagens 0,8% e 1,6% representam, respectivamente, apenas 1 e 2 frames do total.

3.1.4 Aplicativo 4 – Navigations

O aplicativo 4 é consideravelmente mais complexo que os anteriores. Além de lidar com toques do usuário, este aplicativo também é responsável por efetuar navegação entre telas. Então, além da animação do toque do botão em si, dessa vez também ocorrem animações de transição de telas. Assim como no aplicativo anterior, a presença de janky frames pode causar problemas nas animações, impactando na experiência do usuário. Por ser um aplicativo mais complexo, apresentando múltiplas animações, é natural que a quantidade de janky frames seja maior que no aplicativo anterior.

Com os resultados da tabela 5, pode-se ver que o React Native teve mais dificuldade para lidar com o aumento de complexidade e apresentou números piores que o Flutter.

Tabela 5- Quantidade de janky frames no aplicativo 4

Fonte: Próprio autor, 2025.

Figura 4 – Porcentagem de janky frames por execução do aplicativo 4

Fonte: Próprio autor, 2025.

3.1.5 Aplicativo 5 – List

O aplicativo 5 lida com a interação do usuário com uma lista. Ao rolar uma lista, os itens presentes na tela devem ser movidos para cima ou para baixo, dando lugar a novos itens. A presença de janky frames pode, novamente, causar problemas nas animações de rolagem da lista. Uma alta quantidade de janky frames pode impactar negativamente a experiência do usuário, pois, dependendo da velocidade da rolagem, o usuário pode ter a impressão de que a lista está “travando”.

Como pode-se ver na tabela 6, o último aplicativo é o que possui maiores problemas de desempenho. Apesar de ambos os frameworks apresentarem seus piores resultados nesse aplicativo, o React Native alcançou uma média drasticamente alta de 21,34%. Além disso, o desvio padrão também é extremamente alto, mostrando que o aplicativo apresentou boas e péssimas execuções. O Flutter foi mais consistente, apresentando um desvio padrão menor que 1% e uma média relativamente baixa.

Tabela 6- Quantidade de janky frames no aplicativo 5

Fonte: Próprio autor, 2025.

Como mostra a figura 5, o React Native oscilou bastante, chegando a apresentar uma porcentagem perto de zero em alguns momentos e alcançando quase 70% em outros. Apesar de poucas execuções possuírem uma porcentagem tão elevada, podemos notar que muitas apresentam uma porcentagem entre 20% e 40%, o que é extremamente alto e, certamente, impacta na experiência do usuário. O Flutter, além de apresentar maior regularidade, não ultrapassa 10% em nenhuma execução, alcançando um desempenho melhor nessa situação.

Figura 5- Porcentagem de janky frames por execução do aplicativo 5

Fonte: Próprio autor, 2025.

3.2 ESPAÇO EM BRANCO NAS LISTAS

Discute-se os resultados obtidos a partir da medição da quantidade de espaço em branco encontrado no aplicativo 5 (List) durante a execução dos experimentos. O experimento consiste em 6 rolagens de tela, como se o usuário estivesse rolando a tela de cima para baixo seguidamente. A primeira rolagem é a maior de todas e antecede outras 5 rolagens de tamanhos iguais. Todas as 6 rolagens são executadas uma após a outra. Apesar de todas as interações serem simuladas via ADB, alguns atrasos de milissegundos podem ocorrer entre a execução de dois comandos. Dessa forma, não é possível garantir que todas as execuções terão, no geral, exatamente a mesma rolagem de tela.

Foram analisadas as gravações de telas de 50 execuções. O gráfico representado pelas figuras 6 e 7 mostram a porcentagem de espaço em branco da lista de cada um dos frames analisados da gravação. A linha mais escura representa a quantidade média de espaço em branco no frame de número x nas 50 execuções, enquanto a região mais clara delimita o intervalo de 95% de confiança.

3.2.1 Flutter

Diferentemente do React Native, que possui uma seção em sua documentação oficial exclusivamente sobre os problemas de desempenhos presentes em grandes listas, o Flutter não apresentou nenhum espaço em branco durante a execução dos experimentos. Os itens são, assim como no React Native, criados sob demanda, então apenas os itens visíveis são de fato construídos para serem renderizados na tela.

O gráfico representado pela figura 6 mostra a porcentagem de espaço em branco na lista, em média, em cada um dos frames renderizados.

Figura 6- Porcentagem de espaço em branco por frame no aplicativo 5 em Flutter

Fonte: Próprio autor, 2025.

Na tabela 7, pode-se visualizar, em média, quantos frames (em porcentagem) de uma execução possuem a lista com uma porcentagem de branco maior que o valor determinado.

Tabela 7- Quantidade de espaço em branco na lista do aplicativo 5 em Flutter

Fonte: Próprio autor, 2025.

Apesar da criação de itens sob demanda, o Flutter consegue gerenciar muito bem a criação de novos itens a serem renderizados enquanto o usuário realiza a rolagem na tela. Durante a execução dos experimentos, todos os itens foram renderizados corretamente, sem nenhum tipo de atraso, não apresentando espaços em branco.

3.2.2 React Native

O React Native apresentou problemas recorrentes de renderização de itens. Muitas vezes, vários itens não foram renderizados a tempo, causando a aparição de espaços em branco na lista durante a rolagem de tela.

Pode-se perceber, analisando o gráfico da figura 7, que o resultado é bastante consistente. Os espaços em branco começam a aparecer, de forma sutil, por volta do frame 200, no fim da terceira rolagem. Durante a quarta rolagem, por volta do frame 240, o espaço em branco aumenta consideravelmente, extremamente rápido, alcançando cerca de 90% da lista. Durante a quinta e a sexta rolagem, podemos observar outros dois picos, por volta dos frames 270 e 310, respectivamente. Nesse segundo pico, a lista chega a ficar quase completamente branca, com nenhum item sendo renderizado. A lista continua com bastante espaço em branco até o fim da sexta rolagem, quando a interação com o usuário acaba e nenhum novo item precisa ser renderizado. Nesse momento, conforme a rolagem vai chegando ao fim, o espaço em branco vai diminuindo, até que nenhum item esteja faltando na tela.

Figura 7-Porcentagem de espaço em branco por frame no aplicativo 5

Fonte: Próprio autor, 2025.

Na tabela 8, pode-se visualizar, em média, quantos frames (em porcentagem) de uma execução possuem a lista com uma porcentagem de branco maior que o valor determinado.

Tabela 8- Quantidade de espaço em branco na lista do aplicativo 5 (React Native)

Fonte: Próprio autor, 2025.

Em média, 28,13% dos frames apresentam pelo menos um item faltante na lista. Mais de 20% apresentam mais da metade da lista em branco. Outro fato que chama bastante atenção é que, em média, 11,87% — com um desvio padrão de apenas 4,03% — dos frames possuem mais de 99% da lista em branco. Isso significa que mais de um décimo dos frames apresenta a lista praticamente toda em branco, uma quantidade extremamente alta.

4. CONSIDERAÇÕES FINAIS

O trabalho buscou analisar a performance entre os frameworks React Native e Flutter no desenvolvimento de aplicativos móveis, considerando aspectos relacionados à eficiência, consumo de recursos, tempo de execução e impacto na experiência do usuário. A pesquisa, realizada a partir de revisão de literatura, demonstrou que ambos os frameworks apresentam relevância e aplicabilidade, cada qual com características próprias que influenciam diretamente na escolha por parte de desenvolvedores e empresas.

Constatou-se que o Flutter, por compilar diretamente em código nativo e oferecer uma arquitetura mais unificada, tende a apresentar melhor desempenho em aplicações que exigem maior responsividade e fluidez. Além disso, sua interface consistente, aliada à linguagem Dart, contribui para resultados mais estáveis em diferentes sistemas operacionais, tornando-se uma opção atrativa em projetos que priorizam performance e uniformidade visual.

O React Native, embora apresente algumas limitações de desempenho, destaca-se pela ampla comunidade de suporte, integração facilitada com bibliotecas externas e pela curva de aprendizado acessível, sobretudo para desenvolvedores já familiarizados com JavaScript. Esse conjunto de fatores assegura ao framework uma posição de destaque em projetos que exigem flexibilidade, rapidez no desenvolvimento e suporte técnico diversificado.

A problemática levantada, identificar qual framework apresenta melhor performance e em quais aspectos essas diferenças se manifestam, foi respondida ao demonstrar que não existe uma solução única ou definitiva. A escolha deve considerar o contexto do projeto, os recursos disponíveis e as prioridades de cada aplicação, visto que tanto React Native quanto Flutter podem oferecer resultados satisfatórios, desde que empregados de forma estratégica.

Conclui-se, portanto, que ambos os frameworks possuem potencial significativo no cenário do desenvolvimento multiplataforma, cabendo à análise crítica do desenvolvedor ou da equipe técnica a decisão sobre sua adoção. A partir desta pesquisa, espera-se contribuir com o debate acadêmico e profissional, fornecendo subsídios para escolhas mais conscientes e alinhadas às demandas de um mercado cada vez mais competitivo e exigente.

REFERÊNCIAS

BENEVENUTO, F; et al. Métodos para análise de sentimentos em mídias sociais. 19th Brazilian symposium on Multimedia and the web, 2022.

DANIELSSON, W. React native application development: A comparison between native android and react native. Human-Centered systems, 2022.

LECHETA. Google Android: Aprenda a criar aplicações para dispositivos móveis com o android sdk. Novatec Editora; 5ª edição, 2022.

LIMA, F. F. Avaliação de frameworks para o desenvolvimento de aplicações híbridas. Universidade Federal Do Pampa, 2023.

MATILDA, O. A comparison of performance and looks between flutter and native applications. Sinú University, 2023.

NAWROCKI, P; et al. A comparison of native and cross-platform frameworks for mobile applications. Computer, n.54, 2021.

NEVES, J; JUNIOR, V. M. Uma análise comparativa entre flutter e react native como frameworks para desenvolvimento híbrido de aplicativos mobile: Estudo de caso visando produtividade. Ciência da Computação – Tubarão, 2020.

STENDER, S; Akesson, H. Cross-platform framework comparison: Flutter e react native. Blekinge Institute of Technology, 2020.

¹Darlan Kennedy Oliveira dos Santos – Curso de Engenharia da Computação – Fundação Centro de Análise, Pesquisa e Inovação Tecnológica – Manaus-AM. E-mail: darlankennedy2@gmail.com
²Wagner Palheta – Professor e Orientador.

Kelvin Miller Nunes Higino¹
Orientador: Prof. Francisco Abud Nascimento²

Resumo

O presente artigo apresenta o desenvolvimento de um aplicativo multiplataforma para agregação de notícias, com uso do framework Flutter e integração com APIs de conteúdo. O objetivo é proporcionar ao usuário uma experiência prática e personalizada, centralizando o acesso a múltiplas fontes de notícias em uma única interface. A arquitetura foi estruturada em camadas para garantir escalabilidade e manutenção, com foco na experiência do usuário (UX) e na eficiência do consumo de dados. Como resultado, o aplicativo oferece uma alternativa viável aos principais agregadores de conteúdo disponíveis atualmente.

Palavras-chave: Flutter; Dart; Agregador de Notícias; Multiplataforma; UX; Integração de API.

Abstract

This article presents the development of a cross-platform news aggregator application using the Flutter framework and API integration. The goal is to provide users with a practical and personalized experience by centralizing access to multiple news sources within a single interface. The architecture was structured in layers to ensure scalability and maintainability, focusing on user experience (UX) and efficient data consumption. As a result, the application offers a viable alternative to the main content aggregators currently available.

Keywords: Flutter; Dart; News Aggregator; Cross-Platform; UX; API Integration.

1. Introdução

Com o crescimento exponencial da informação digital, o acesso rápido a notícias tornou-se essencial. No entanto, a dispersão de fontes e a necessidade de visitar diversos sites tornam essa busca demorada. Este artigo propõe um aplicativo que centraliza o acesso a notícias de diferentes fontes, agregando-as de maneira intuitiva e personalizada. A solução foi desenvolvida com Flutter, possibilitando a entrega para Android e iOS com uma única base de código.

2. Referencial Teórico

A agregação de notícias visa reunir conteúdos de diversas fontes em uma interface unificada, economizando tempo e aumentando a produtividade informacional. A linguagem Dart e o framework Flutter são fundamentais por sua eficiência, sintaxe limpa e suporte multiplataforma. A integração com APIs REST permite que o aplicativo exiba notícias em tempo real. Além disso, princípios de UX foram incorporados para garantir acessibilidade e boa experiência visual.

3. Trabalhos Relacionados

O Google News é abrangente, mas limita a personalização de fontes. O Flipboard destaca-se pela interface, mas foca em categorias amplas. O Feedly oferece alta personalização, mas com recursos limitados na versão gratuita. O aplicativo proposto busca unir as melhores práticas desses exemplos, oferecendo personalização sem custos e com interface leve, limpa e sem anúncios.

A Tabela 1 apresenta um comparativo das principais funcionalidades entre o aplicativo proposto e os concorrentes analisados.

Tabela 1: Comparativo de funcionalidades entre agregadores de notícias. Fonte: Elaborado pelo autor (2024).

4. Metodologia

Adotou-se uma arquitetura em três camadas: Interface do Usuário (UI), Lógica de Negócio e Camada de Dados, com base no modelo tradicional de separação de responsabilidades. Essa estrutura foi aplicada para garantir a organização, modularidade, escalabilidade e facilidade de manutenção do projeto, especialmente em um contexto de desenvolvimento multiplataforma com o framework Flutter. A estrutura da arquitetura proposta é ilustrada na Figura 1.

Figura 1: Diagrama da arquitetura em camadas do aplicativo. Fonte: Elaborado pelo autor (2024).

Em alinhamento com essa arquitetura, procedeu-se à implementação prática do aplicativo “Minhas Notícias” utilizando a linguagem Dart, com estruturação do código espelhando as responsabilidades de cada camada. Isso favoreceu a reutilização de componentes, testes unitários e manutenção do software ao longo do tempo.

4.1 Camada de Interface do Usuário (UI)

A UI foi construída utilizando widgets declarativos do Flutter, permitindo o desenvolvimento de interfaces responsivas e visualmente consistentes tanto para Android quanto para iOS. As principais telas desenvolvidas foram:

SiteInputScreen: tela inicial, onde o usuário insere URLs das fontes de notícias. Nela, foi implementado um TextField com validação de URL e feedback visual, proporcionando uma entrada de dados segura e amigável.

NewsFeedScreen: tela que exibe o feed de notícias agregadas, utilizando um ListView.builder para renderizar dinamicamente cada notícia em um card contendo título, resumo e botão para leitura completa.

A composição visual foi planejada com foco na hierarquia da informação, acessibilidade e desempenho da interface, garantindo uma navegação intuitiva.

4.2 Camada de Lógica de Negócio

A lógica de negócios foi estruturada com o padrão Provider, que permitiu o gerenciamento eficiente e reativo de estados. Essa camada foi responsável por:

Validar e armazenar a lista de URLs fornecidas pelo usuário;

Realizar chamadas HTTP assíncronas à NewsAPI com o pacote http;

Converter as respostas JSON em objetos do tipo News, contendo título, descrição, data de publicação e link da notícia;

Agregar e ordenar as notícias recebidas por data de publicação;

Gerenciar a navegação entre as telas e as interações do usuário com os dados.

Esse desacoplamento da lógica em relação à interface facilitou a testabilidade e a reutilização de funções centrais da aplicação.

4.3 Camada de Dados

A camada de dados foi projetada para lidar com armazenamento local e integração com serviços externos. As abordagens adotadas incluem:

Utilização do pacote shared_preferences para armazenar de forma persistente as URLs informadas pelo usuário;

Integração com a NewsAPI por meio de chamadas RESTful, processando as respostas em tempo real para alimentar o feed de notícias;

Definição de modelos como News, com métodos from Json() e toJson() para o mapeamento de dados entre a API e a estrutura interna da aplicação.

4.4 Ferramentas e Tecnologias Adicionais

Além dos pacotes mencionados, outros recursos foram fundamentais para a composição e funcionalidade do aplicativo:

url_launcher: utilizado para abrir a notícia completa em um navegador externo ao clicar em um item do feed;

flutter_launcher_icons e flutter_native_splash: responsáveis pela personalização do ícone e da tela de splash da aplicação;

intl: biblioteca empregada para a formatação de datas, adaptando a apresentação ao formato local do usuário.

4.5 Ciclo de Desenvolvimento

O desenvolvimento do aplicativo seguiu uma abordagem iterativa e incremental, com ciclos curtos de implementação, testes e refatoração. O uso do recurso de hot reload do Flutter permitiu validar rapidamente alterações visuais e lógicas, otimizando o fluxo de trabalho. O código-fonte foi modularizado com boas práticas de engenharia de software, o que contribuiu para a qualidade geral da aplicação.

5. Resultados e Discussão

O aplicativo demonstrou desempenho estável, com tempos de resposta rápidos e navegação intuitiva. A simplicidade da interface, focada na experiência do usuário, é um dos diferenciais, conforme ilustrado na Figura 2 e na Figura 3.

Figura 2: Telas do aplicativo “Minhas Notícias”.

Fonte: Elaborado pelo autor (2025).

Figura 3: Tela de visualização de notícias.

Fonte: Elaborado pelo autor (2025).

Os testes validaram a eficácia da agregação de conteúdo e a persistência local das preferências do usuário. A simplicidade da interface se mostrou um diferencial positivo frente aos concorrentes analisados.

Figura 4: Resultados dos testes de desempenho do aplicativo.

Fonte: Elaborado pelo autor (2024).

6. Conclusão

O projeto atingiu seu objetivo de facilitar o acesso a notícias de múltiplas fontes em uma plataforma unificada e acessível. O uso do Flutter demonstrou-se vantajoso pela rapidez no desenvolvimento e entrega multiplataforma. Como trabalhos futuros, propõe-se a inclusão de notificações em tempo real, suporte offline e tradução para múltiplos idiomas.

Referências

• GOOGLE. Flutter Documentation. Documentação oficial da linguagem Flutter. Disponível em: <https://flutter.dev/docs>. Acesso em: 13 maio 2025.

• NEWSAPI. News API documentation: guia de uso da API de notícias. Disponível em: <https://newsapi.org/docs>. Acesso em: 13 maio 2025.

• ANDROID DEVELOPERS. Shared preferences: documentação oficial da API Android. Disponível em: <https://developer.android.com/reference/android/content/SharedPreferences>. Acesso em: 14 maio 2025.

¹Centro Universitário Mário Pontes Jucá – UMJ
E-mail: Kel_federal@live.com
²Professor e orientador.

Luis Fernando dos Santos Pires ¹

Resumo

A Internet das Coisas (IoT) é uma tecnologia que transforma a interação humana com o ambiente digital ao conectar dispositivos cotidianos à rede global. Essa integração cria possibilidades para comunicação entre pessoas e empresas. No entanto, a diversidade e complexidade dos dispositivos IoT também apresentam desafios significativos. Para garantir a qualidade, interoperabilidade, segurança e eficiência operacional, é essencial estabelecer requisitos claros e objetivos. Nesse contexto, este estudo realizou uma revisão sistemática da literatura, focando na análise da engenharia de requisitos e qualidade de software em sistemas IoT visando descobrir dimensões para melhoria destes dispositivos. Foram analisados 27 estudos selecionados por suas metodologias, incluindo abordagens de engenharia de requisitos, qualidade de software e bases teóricas sólidas. Esses estudos contemplam perspectivas de crescimento da IoT no cenário mundial. Os achados dessa revisão revelam a preocupação nas métricas, elicitação de requisitos em IoT e na mensuração da qualidade destes sistemas. Isso contribui para o desenvolvimento e aprimoramento contínuo das soluções IoT, visando atender às demandas cada vez mais complexas desse campo.

Palavras-chave:

Internet das Coisas (IoT), Engenharia de Requisitos, Qualidade de Software, Camadas IoT, User Experience para IoT, Segurança para IoT, Desempenho para IoT.

Introdução

A Internet das Coisas (IoT) vem transformando o cotidiano das pessoas, trazendo uma nova realidade que conecta o mundo físico ao virtual. Desde a implementação de fábricas inteligentes até o monitoramento do pulso por meio de smartwatches, a IoT está redefinindo diversos setores. Segundo Aaqib, M. et al. (2023), a IoT é uma das tecnologias de crescimento mais rápido e estima-se que mais de um bilhão de dispositivos serão utilizados em todo o mundo até o final de 2030. De acordo com B. Costa et al. (2016), os objetivos gerais da IoT são melhorar a qualidade de vida humana e otimizar processos industriais, automatizando tarefas que os humanos devem executar. L. Médini et. al (2017) apresenta a IoT como uma tecnologia que vem impactando todos os aspectos da nossa vida. Sua expansão redefine o modo como interagimos com o mundo, abrindo portas para um futuro promissor. Mas, como em qualquer grande transformação, surgem desafios que precisam ser superados para garantir que essa tecnologia seja utilizada de forma responsável e eficiente. Portanto, temos um desafio crucial: garantir a qualidade das soluções dos equipamentos de IoT (P. P. Ray et. al. 2018).

Segundo A. Noorzadeh et al. (2024), devido às características inerentes dos sistemas baseados em IoT, como rede, software, hardware, percepção de contexto, interoperabilidade etc., a engenharia de requisitos (ER) para esses sistemas IoT é complexa. A qualidade na IoT é fundamental para garantir a confiabilidade, segurança e utilidade dos dados coletados. Para A. P. Plageras et. al. (2018) Sem qualidade, os dados da IoT perdem valor e as soluções se tornam ineficazes, comprometendo todo o potencial dessa tecnologia. S. Kaleem et al. (2019) afirmam que, como as aplicações IoT estão surgindo rapidamente, há uma necessidade de focar no ciclo de vida de desenvolvimento de software (SDLC) para garantir os níveis necessários de qualidade. Este estudo tem como principal objetivo responder à seguinte questão de pesquisa: “Como a engenharia de requisitos e a qualidade de software podem promover melhorias em sistemas IoT?”. Além de analisar e classificar os estudos de acordo com as abordagens técnicas empregadas, este artigo também discute os fundamentos em IoT e seu impacto na sociedade. O objetivo principal é identificar técnicas, teorias, aspectos positivos e limitações relacionados à qualidade da IoT. Os pontos fortes e contribuições dos estudos são identificados, bem como suas limitações metodológicas e de generalização. Além disso, o objetivo é destacar os desafios atuais e futuros para a pesquisa na área da qualidade da IoT. O restante deste artigo está organizado da seguinte maneira: a Seção 1 apresenta outras revisões sobre temas relacionados à questão principal; a Seção 2 descreve a metodologia empregada para realizar a revisão e

análise dos artigos; a Seção 3 detalha os resultados obtidos categorizados pelas técnicas utilizadas; a Seção 4 apresenta uma discussão sobre os resultados obtidos; e a Seção 5 apresenta as conclusões deste estudo.

1.         TRABALHOS RELACIONADOS

Ao todo, 5 revisões sistemáticas foram identificadas no decorrer da análise dos estudos coletados. A Tabela 4 apresenta uma síntese dos trabalhos relacionados; os trabalhos foram enquadrados de acordo com seus objetivos e aplicações. Uma análise sintética desses trabalhos é apresentada a seguir.

S. Kaleem et al. (2019) apresentam uma revisão de literatura sobre ciclo de vida de software para IoT. Os autores oferecem uma visão abrangente das questões relacionadas à engenharia de requisitos em aplicações da IoT. Ao considerar parâmetros da literatura existente, o estudo explora os desafios específicos enfrentados no desenvolvimento desses sistemas para esta área. A análise concentra-se no ciclo de vida de desenvolvimento de software (SDLC) como um meio de garantir a qualidade necessária para os sistemas IoT. Os autores destacam a importância de abordagens adaptáveis e robustas para lidar com as características únicas dos dispositivos IoT. Embora a pesquisa nessa área esteja em constante evolução, o estudo serve como um guia estratégico para pesquisadores interessados em aprofundar seus estudos e contribuir para o desenvolvimento contínuo da IoT.

B. S. Ahmed et al. (2018) apresentam uma revisão de literatura qualidade de IoT em diversos seguimentos. Os autores analisaram a qualidade da IoT. A análise revelou que as tecnologias baseadas em IoT estão crescendo rapidamente, abrangendo áreas como saúde, segurança, entretenimento e cidades inteligentes. Também evidencia o aumento da conectividade e aplicação, e como a IoT impacta nossas vidas e a segurança pública. Também revela que a garantia de qualidade (QA) é crucial para evitar falhas nos sistemas de IoT, que podem resultar em perda de dados, fortuna ou até vidas. Por esse motivo, o estudo enfatiza a Garantia de Qualidade (QA) como uma questão essencial e valiosa para os sistemas de IoT antes que a consolidação de sensores, dispositivos, aplicativos e sistemas chegue ao mercado. A revisão analisou o crescente aumento de artigos relacionados ao tema IoT e Qualidade.

C. Perera et al. (2014) investigou a conscientização de contexto na literatura relacionada à Internet das Coisas (IoT) com foco em Qualidade do Contexto (QoC). Os autores apresentam QoC como fundamental para a qualidade dos dados processados pelos sistemas IoT. Além disso, foram abordadas questões de segurança, privacidade e verificação de qualidade. Os autores também se dedicaram a especificar as questões técnicas específicas da IoT, descrevendo padrões conhecidos relacionados a hardware, comunicação, redes, soluções em nuvem e aplicações. O estudo contribui para o entendimento desses aspectos críticos na evolução contínua da IoT.

A. Noorzadeh & A. Amini (2024) apresentam uma revisão de literatura sobre engenharia de requisitos para sistemas baseados em IoT. Considerando a complexidade inerente desses sistemas, ficou demonstrado que os métodos tradicionais de engenharia de requisitos não são suficientes para abordar os desafios específicos apresentados pela IoT. Os autores destacam a necessidade de abordagens mais adaptáveis e robustas para lidar com as características únicas dos dispositivos IoT.

Khanna & Kaur (2020) oferece uma revisão da literatura sobre a IoT com foco em uma visão detalhada de tendências. Os autores examinaram as contribuições de pesquisadores em diversas áreas de aplicação. Ao avaliar os trabalhos existentes, o estudo destaca os desafios enfrentados e aponta direções futuras de pesquisa. A análise abrange vários parâmetros identificados em cada domínio específico da IoT, proporcionando uma visão detalhada das tendências e avanços nesse campo. Além disso, o estudo destaca a importância da confiança e da reputação entre as entidades de IoT.

O presente estudo revisa e compara métodos introduzidos no estado da arte, focando em engenharia de requisitos e qualidade de software. Os resultados indicam que a maioria dos métodos se concentra na elicitação de requisitos, com uma preocupação em entregar soluções com qualidade e rapidez. A revisão apresentada neste artigo se diferencia das demais revisões nos seguintes aspectos: (1) o foco desta revisão está na engenharia de requisitos e qualidade de software para IoT, enquanto as revisões existentes focam IoT como modelo de negócios, tecnologias sendo implementadas em IoT ou fatores de sucesso na implementação de IoT; (2) a maioria das revisões analisadas foca em aspectos técnicos, não abrangendo uma discussão mais ampla sobre fundamentos da qualidade de software e sua relação com IoT; e (3) os estudos analisam indiretamente a relação da engenharia de requisitos associados a qualidade de software para IoT.

2.         METODOLOGIA DA REVISÃO

A revisão sistemática da literatura apresentada neste artigo teve como base metodológica o guia apresentado por Kitchenham (2004). Este estudo tem como principal objetivo responder à seguinte questão de pesquisa: “Como a engenharia de requisitos e a qualidade de software podem promover melhorias em sistemas IoT?” Uma pesquisa exploratória preliminar baseada na questão de pesquisa foi realizada com o objetivo de levantar insumos necessários à pesquisa, resultando na definição dos parâmetros da pesquisa, no período de abrangência da busca, nas bases científicas e palavras-chave a serem utilizadas, e na área de busca nos artigos.O período de busca (2014 a 2024) se deve ao fato de ser um tema relativamente recente, bem como se espera relatar os avanços nos últimos anos. A seguinte string de busca foi utilizada (adaptada à sintaxe de cada base): “(IoT OR “Internet of Things”) AND (“Requirement Engineering”) AND (Quality OR “Software Quality”)”. A execução da busca nas bases científicas considerou todos os artigos retornados, com exceção da base Google Scholar, em função da abrangência desta base (indexadora de outras bases). Foram considerados os 100 primeiros artigos por ordem de relevância. Assim, a busca inicial obteve um total de 4088 artigos, sendo 140 artigos de Springer Link, 454 de IEEE Xplore, 75 de Science Direct e 3419 de ACM Digital Library. Os critérios de inclusão e exclusão foram definidos em um processo iterativo de leitura de artigos (na busca exploratória). Os critérios estão detalhados na Tabela 5 (Apêndice II). 35 artigos foram excluídos por duplicidade nos resultados das bases científicas. Os artigos remanescentes foram submetidos aos critérios de inclusão e exclusão. A primeira avaliação considerou o título, resumo e palavras-chave. Os 27 artigos categorizados como trabalhos com de aderência ao tema da pesquisa foram avaliados em sua totalidade perante os critérios. Durante essa avaliação, 22 estudos foram identificados aderentes aos critérios de discussão e 5 trabalhos são revisões de literatura relacionadas ao tema e foram descritos na Seção 2.

3.           RESULTADOS DA REVISÃO

Esta seção apresenta uma análise sintética dos estudos selecionados. Na Subseção 3.1, realizamos uma análise detalhada dos estudos relacionados à engenharia de requisitos aplicada a sistemas de IoT. Investigamos as abordagens específicas para lidar com os desafios presentados pela natureza distribuída e heterogênea dos dispositivos IoT. A Subseção 3.2 concentra-se na avaliação da qualidade do software em contextos de IoT. Investigamos métricas e critérios relevantes para medir a confiabilidade, segurança, escalabilidade e eficiência dos sistemas IoT. A Tabela 6 (Apêndice III), resume os principais resultados e conclusões dos trabalhos analisados, fornecendo uma visão geral concisa das principais descobertas em relação à engenharia de requisitos e à qualidade de software no contexto da Internet das Coisas.

3.1   Análise sobre engenharia de requisito em IOT

Os autores B. Costa et al. (2017), S. Kaleem et al. (2019), E. M. Almeida et al. (2022), T. Nakajima & T. Komiyama (2019), Wyatt Lindquist et al. (2022), M. Ge et al. (2018), Shital, B et al. (2023), C. Stergiou et al. (2018), P. V. Paul et. al. (2017), R. Perez-Castillo et al. (2018) e T. Banerjee & A. Sheth, (2017). abordam dimensões sobre os requisitos em IoT. Destes, podemos destacar: (1) Funcionalidade, Segurança e Experiência do Usuário; (2) Conflitos e Influências em Diferentes Camadas dos Sistemas de IoT; (3) Desafios na Engenharia de Requisitos para Sistemas IoT; (4) Importância das Estruturas de Requisitos de Qualidade; (5) Impacto dos Requisitos na Qualidade dos Dispositivos IoT.

Com respeito a Funcionalidade, Segurança e Experiência do Usuário, existem duas abordagens, a saber: i) Requisitos para o Sucesso – (S. Kaleem et al.,2019) & (R. Perez-Castillo et al., 2018) afirmam que os dispositivos IoT devem atender às suas funções básicas, desde a coleta de dados até a comunicação com outros dispositivos e sistemas. Além disso, é crucial garantir a segurança dos dispositivos contra ameaças cibernéticas, protegendo dados confidenciais e evitando ataques maliciosos. A experiência do usuário também é um fator fundamental, e os requisitos devem garantir que os dispositivos sejam fáceis de usar, intuitivos e proporcionem uma experiência positiva para os usuários. ii) Abordagens para a Elicitação e Especificação – (B. Costa et al.,2016) propõem um modelo para elicitar e especificar requisitos de stakeholders em IoT, considerando diferentes níveis de granularidade e abstração. O modelo auxilia na identificação de requisitos conflitantes e na priorização daqueles mais críticos para o sucesso do projeto.

(S. Kaleem et al., 2019) destacam a importância de envolver todas as partes interessadas desde o início do processo de elicitação de requisitos para garantir que as expectativas de todos sejam consideradas. A comunicação clara e a compreensão mútua são essenciais para evitar erros e garantir que os requisitos sejam bem definidos.

Com respeito a Conflitos e Influências em Diferentes Camadas, existem duas abordagens, a saber: (i) Desafios de Múltiplas Camadas- P. V. Paul et. al (2017) afirmam que os sistemas IoT são compostos por diversas camadas, desde a infraestrutura de rede até os aplicativos de usuário final. Cada camada possui requisitos específicos, e frequentemente esses requisitos podem entrar em conflito. Por exemplo, os requisitos de eficiência energética podem colidir com os requisitos de latência ou segurança. (ii) Mitigação de Conflitos: É crucial considerar os conflitos entre requisitos em diferentes camadas e adotar métodos para mitigá-los durante o processo de design. T. Nakajima & T. Komiyama (2019) propõem um método para analisar e resolver conflitos entre requisitos em diferentes camadas de sistemas IoT. O método utiliza uma abordagem multiobjetiva para identificar soluções que equilibram os requisitos conflitantes de forma eficaz.

Com respeito aos Desafios na Engenharia de Requisitos para IoT, existem duas abordagens, a saber: (i) Características Únicas da IoT: Para T. Banerjee & A. Sheth, (2017) A elicitação, análise e especificação de requisitos em IoT apresentam desafios específicos devido à heterogeneidade dos dispositivos, à distribuição geográfica e à natureza dinâmica dos sistemas. Ferramentas e frameworks específicos para IoT podem auxiliar na superação desses desafios. (ii) Abordagens para Superar os Desafios: E. M. Almeida et al. (2022) propõem um framework para elicitar requisitos em sistemas IoT, considerando as características únicas dessa tecnologia. O framework utiliza técnicas como entrevistas, workshops e análise de documentos para coletar requisitos de diversas partes interessadas.

Com respeito a Importância das Estruturas de Requisitos de Qualidade, existem duas abordagens, a saber:

(i) Padronização da Qualidade: T. Nakajima & T. Komiyama (2019) apresenta as normas como a ISO/IEC 25030 como uma estrutura abrangente para avaliar a qualidade do software, incluindo critérios específicos para usabilidade, segurança, confiabilidade e performance. Estes aspectos são cruciais para o sucesso de aplicativos IoT. (ii) Aplicação da ISO/IEC 25030: T. Nakajima & T. Komiyama (2019) utilizam a ISO/IEC 25030 para identificar requisitos críticos que impactam diretamente a qualidade dos dispositivos IoT. Os autores demonstram como a norma pode ser aplicada para garantir que os dispositivos atendam aos padrões de qualidade exigidos.

Com respeito ao Impacto dos Requisitos na Qualidade dos Dispositivos IoT, existem duas abordagens, a saber: (i) Requisitos para Dispositivos Confiáveis: (Shital, B et. al., 2023) afirmam que requisitos bem definidos garantem a segurança dos dispositivos IoT contra-ataques cibernéticos, a privacidade dos dados dos usuários, a confiabilidade do sistema e a precisão das medições. (Wyatt Lindquist et al., 2022) afirma que a negligência de requisitos específicos pode levar a falhas nos dispositivos, como ataques cibernéticos, roubo de dados e mau funcionamento. (ii) Exemplos de Falhas por Falta de Requisito: Segundo (C. Stergiou et. al., 2018) afirmam que falhas em garantir a segurança dos dispositivos IoT podem levar a ataques cibernéticos, roubo de dados e outras consequências graves. (M. Ge et. al., 2018) apresentam que a falta de requisitos de privacidade pode resultar na coleta e uso indevidos de dados dos usuários. A confiabilidade inadequada pode levar a falhas no sistema, interrupções no serviço e perda de dados. A falta de precisão nas medições pode comprometer a qualidade das informações coletadas e a tomada de decisões.

Os requisitos desempenham um papel fundamental na qualidade dos dispositivos IoT. Compreender e abordar os desafios associados à engenharia de requisitos é essencial para o sucesso desses sistemas inovadores. Em síntese, os autores apresentam qualidade de software em IoT apresentando dimensões bem claras sobre o que deve ser observado. A Tabela I apresenta uma síntese das dimensões de Engenharia de Requisitos para IOT.

3.2   Análise sobre Qualidade de Software em IOT

Tyagi, H et al. (2018), F. Alaba et al. (2018), S. Kaleem et al. (2019), L. Atzori et. al. (2010), C. Stergiou et. al. (2018), J. L. Shah et. al. (2021), J. B. Minani et. al. (2024), Ameyed, D. et.al. (2023) e Aimad Karkouch et al. (2016), abordam dimensões para definir qualidade em serviços em IoT. Destas, podemos destacar a (1) confiabilidade, (2) segurança, (3) disponibilidade, (4) desempenho, (5) usabilidade, (6) precisão e (7) utilidade.

Sobre confiabilidade, (Tyagi H et al.,2018) afirmam que a confiabilidade e a consistência são critérios essenciais para o funcionamento eficaz dos dispositivos da Internet das Coisas (IoT). (L. Atzori et. al.,2010) afirma que os sistemas devem operar sem falhas frequentes ou interrupções, garantindo que os dados sejam coletados, processados e transmitidos de maneira confiável. A manutenção da integridade e da disponibilidade desses dispositivos é fundamental para o sucesso contínuo da IoT. No entanto, a complexidade inerente dos dispositivos IoT apresenta desafios significativos. A garantia de que esses dispositivos funcionem de forma confiável requer abordagens específicas, como testes rigorosos, atualizações regulares e monitoramento contínuo. (L. Atzori et. al., 2010) afirmam que a pesquisa e o desenvolvimento contínuos são essenciais para aprimorar a confiabilidade e a consistência dos dispositivos IoT.

Sobre segurança, (F. Alaba et al.,2018) afirmam que a segurança dos dispositivos IoT é uma preocupação fundamental para garantir que esses sistemas operem de maneira confiável e protejam os dados coletados. Em um cenário cada vez mais conectado, os dispositivos IoT estão sujeitos a ameaças cibernéticas, como ataques de hackers e violações de privacidade. Portanto, medidas robustas de segurança são essenciais para mitigar esses riscos e proteger os dados sensíveis. (C. Stergiou et. al.,2018) afirmam que os pesquisadores têm explorado soluções para fortalecer a segurança dos dispositivos IoT, incluindo criptografia, autenticação, atualizações regulares de firmware e monitoramento contínuo. Destaca-se a importância de abordagens proativas para proteger os dispositivos IoT contra ameaças cibernéticas. Sobre disponibilidade, (S. Kaleem et al.,2019) destaca a importância de abordagens que garantam a disponibilidade contínua dos dispositivos IoT. Isso envolve estratégias de manutenção, monitoramento proativo e resiliência para lidar com possíveis falhas. A pesquisa contribui para aprimorar a confiabilidade e a prontidão dos dispositivos IoT em diversos cenários de uso. (J. L. Shah et. al., 2021) afirmam que a disponibilidade dos dispositivos IoT é um requisito fundamental para garantir que esses sistemas estejam prontos para uso sempre que necessário. A natureza interconectada da IoT exige que os dispositivos estejam acessíveis e operacionais, permitindo que os usuários coletem dados, controlem processos e tomem decisões com eficiência.

Para (Tyagi, H et al., 2018) o desempenho eficiente dos dispositivos IoT é crucial para garantir que eles atendam às expectativas dos usuários. Isso envolve não apenas a coleta e processamento de dados, mas também a capacidade de resposta rápida aos comandos e eventos. (J. B. Minani et. al., 2024) afirmam que a latência reduzida é essencial para garantir que os dispositivos IoT possam lidar com tarefas em tempo real, como controle de automação, monitoramento de sensores e interações com o ambiente. Para alcançar um bom desempenho, os dispositivos IoT devem ser projetados levando em consideração fatores como processamento eficiente, otimização de comunicação e gerenciamento de recursos. (Ameyed, D. et.al., 2023) considera a capacidade de resposta rápida é fundamental para garantir que os dispositivos atendam às necessidades dos usuários, especialmente em cenários críticos, como segurança, saúde e automação industrial.

Sobre usabilidade, de acordo com (F. Alaba et al.,2018), é essencial que essas interfaces sejam projetadas de forma a serem intuitivas, simples e compreensíveis. Isso significa que os usuários devem ser capazes de interagir com os dispositivos IoT sem esforço, independentemente de sua familiaridade com a tecnologia. Interfaces fáceis de usar e entender aumentam a aceitação dos dispositivos IoT, reduzem a curva de aprendizado e melhoram a satisfação do usuário. (Aimad Karkouch et al., 2016) afirmam que a clareza da interface é fundamental. Os usuários devem entender facilmente o propósito de cada elemento na tela, os comandos disponíveis e o feedback fornecido pelo dispositivo. Isso pode envolver o uso de ícones universais, linguagem simples e instruções claras. A precisão e a confiança dos dados coletados pelos dispositivos IoT são fundamentais para garantir que essas informações sejam úteis e tomadas como base para ações e decisões.

Segundo (S. Kaleem et al., 2019), a precisão refere-se à exatidão dos dados em relação à realidade. Isso significa que os sensores e dispositivos IoT devem ser calibrados corretamente e fornecer medições sem erros significativos. A confiabilidade, por sua vez, está relacionada à consistência dos dados ao longo do tempo. Em diferentes condições, os dispositivos IoT devem ser projetados para minimizar falhas, evitar interrupções na coleta de dados e lidar com situações adversas, como interferências e variações ambientais. Além disso, a integridade dos dados também é crucial. Isso envolve proteger os dados contra adulterações, garantindo que não sejam corrompidos ou alterados indevidamente. Mecanismos de segurança, criptografia e autenticação são essenciais para manter a confiabilidade dos dados coletados. A utilidade e relevância dos dados coletados pelos dispositivos IoT são essenciais para garantir que essas informações agreguem valor ao usuário e às suas necessidades específicas.

De acordo com (Tyagi et al., 2018), a utilidade refere-se à capacidade dos dados de fornecer insights acionáveis e informações práticas. Os dispositivos IoT devem coletar dados que possam ser transformados em conhecimento útil, como previsões, alertas ou otimizações. Além disso, a relevância está relacionada à contextualização dos dados. Os dispositivos devem considerar o contexto do usuário, suas preferências e objetivos para coletar informações pertinentes. Dessa forma, os dados se tornam mais significativos e impactam positivamente a experiência do usuário. Em síntese, os autores apresentam qualidade de software em IoT, com dimensões bem claras sobre o que deve ser observado. A Tabela II apresenta uma síntese das dimensões de qualidade de software para IOT.

4.         DISCUSSÃO SOBRE OS RESULTADOS

Observa-se B. Costa et al. (2017), S. Kaleem et al. (2019), E. M. Almeida et al. (2022), T. Nakajima & T. Komiyama (2019), Wyatt Lindquist et al. (2022), M. Ge et al. (2018), Shital, B et al. (2023), C. Stergiou et al. (2018), P. V. Paul et al.(2017), R. Perez-Castillo et al. (2018) e T. Banerjee & A. Sheth, (2017). abordam o uso de dimensões para definir a importância dos requisitos em IoT. Destas premissas, podemos destacar: (1) Funcionalidade, Segurança e Experiência do Usuário, (2) Conflitos e Influências em Diferentes Camadas dos Sistemas de IoT, (3) Desafios na Engenharia de Requisitos para Sistemas IoT, (4) Importância das Estruturas de Requisitos de Qualidade, (5) Impacto dos Requisitos na Qualidade dos Dispositivos IoT. Tyagi, H et al. (2018), F. Alaba et al. (2018), S. Kaleem et al. (2019), L. Atzori et. al (2010), C. Stergiou et. al., (2018), J. L. Shah et. al. (2021), J. B. Minani et. al (2024), Ameyed, D. et.al (2023) e Aimad Karkouch et al., (2016), abordam o uso dimensões para definir qualidade em serviços em IoT, destas premissas, podemos destacar (1) confiabilidade, (2) segurança, (3) disponibilidade, (4) desempenho, (5) usabilidade, (6) precisão e (7) utilidade. A análise dos artigos selecionados revelou que o levantamento de requisitos exerce um impacto significativo na qualidade de soluções IoT nos seguintes aspectos: Um levantamento de requisitos abrangente garante que as soluções IoT atendam às necessidades e expectativas dos stakeholders, incluindo usuários finais, gestores e técnicos. Isso se traduz em maior satisfação do cliente, melhor usabilidade e adoção mais rápida das soluções. (E. M. Almeida e.t, 2022). Ao identificar claramente os requisitos desde o início do projeto, é possível evitar falhas de design, erros de implementação e retrabalho desnecessário, diminuindo custos e otimizando o tempo de desenvolvimento. (S. Kaleem et al., 2019). O levantamento de requisitos deve considerar aspectos de segurança e confiabilidade desde o início, definindo medidas de proteção adequadas para garantir a segurança dos dados e a confiabilidade das soluções IoT. (F. Alaba et al., 2018). & (Tyagi, H et al., 2018). Um processo de levantamento de requisitos bem estruturado facilita a integração de soluções IoT com diferentes sistemas e plataformas, promovendo a interoperabilidade e a padronização. (F. Alaba et al., 2018). Os resultados deste estudo demonstram que os requisitos são um fator crucial para garantir a qualidade de software em IoT. Ao serem cuidadosamente especificados e considerados durante todo o processo de desenvolvimento, os requisitos podem ajudar a garantir que os dispositivos IoT atendam às expectativas dos usuários e forneçam uma experiência de usuário positiva. A tabela III apresenta uma síntese dos pontos de melhoria observados na discussão.

5.         CONCLUSÃO

Este artigo apresentou uma revisão sistemática da literatura, focando na análise de requisitos e qualidade de software em soluções IoT. A abordagem empregada nesta revisão da literatura permitiu a verificação e análise de tendências, de engenharia de requisitos, qualidade de software no período de 2014 a 2024. Este estudo se diferencia dos demais ao pois seu foco está na engenharia de requisitos e qualidade de software na construção de IoT. Em um universo de 4088 artigos inicialmente recuperados, 27 trabalhos foram criteriosamente selecionados, classificados e sintetizados de modo a representar o estado-da-arte das abordagens de engenharia de requisitos correlacionado a qualidade de software. Os resultados indicam que a maioria dos métodos se concentra na elicitação de requisitos, com uma preocupação de entregar soluções com qualidade e rapidez. Além de apresentar uma revisão de literatura abrangente sobre engenharia de requisitos e a sua influência na qualidade de software, este trabalho também contribuiu para organizar dimensões nas áreas e correlacioná-las sintetizando soluções a serem observadas. Como trabalhos futuros, planeja-se desenvolver uma abordagem para especificação de requisitos de IoT enriquecida com as dimensões de qualidade de software.

REFERÊNCIAS

A. Noorzadeh and A. Amini, “Comparison of Requirements Engineering Methods for IoT-based Systems: A Systematic Mapping Study,” 2024 10th International Conference on Artificial Intelligence and Robotics (QICAR), Qazvin, Iran, Islamic Republic of, 2024, pp. 74-79, doi: 10.1109/QICAR61538.2024.10496655.

A. P. Plageras, K. E. Psannis, C. Stergiou, H. Wang e B. B. Gupta, “Efficient IoT-based sensor BIG Data collection– processing and analysis in smart buildings,” Future Generation Computer Systems, vol. 82, pp. 349-357, 2018. DOI: 10.1016/j.future.2017.09.082.

Aaqib, M., Ali, A., Chen, L. et al. IoT trust and reputation: a survey and taxonomy. J Cloud Comp 12, 42 (2023). https://doi.org/10.1186/s13677-023-00416-8

Aimad Karkouch et al. “Data quality in internet of things: A state-of-the-art survey.” J. Netw. Comput. Appl., 73 (2016): 57-81. https://doi.org/10.1016/j.jnca.2016.08.002.

Ameyed, D., Jaafar, F., Petrillo, . et al. Quality and Security Frameworks for IoT-Architecture Models Evaluation.

SN COMPUT. SCI. 4, 394 (2023). https://doi.org/10.1007/s42979-023-01815-z

B. Costa, P. F. Pires and F. C. Delicato, “Modeling IoT Applications with SysML4IoT,” 2016 42th Euromicro Conference on Software Engineering and Advanced Applications (SEAA), Limassol, Cyprus, 2016, pp. 157-164, doi: 10.1109/SEAA.2016.19.

B. Costa, P. F. Pires and F. C. Delicato, “Specifying Functional Requirements and QoS Parameters for IoT Systems,” 2017 IEEE 15th Intl Conf on Dependable, Autonomic and Secure Computing, 15th Intl Conf on Pervasive Intelligence and Computing, 3rd Intl Conf on Big Data Intelligence and Computing and Cyber Science and Technology Congress (DASC/PiCom/DataCom/CyberSciTech), Orlando, FL, USA, 2017, pp. 407-414, doi: 10.1109/DASC-PICom-DataCom- CyberSciTec.2017.83.

B. S. Ahmed, M. Bures, K. Frajtak and T. Cerny, “Aspects of Quality in Internet of Things (IoT) Solutions: A Systematic Mapping Study,” in IEEE Access, vol. 7, pp. 13758-13780, 2019, doi: 10.1109/ACCESS.2019.2893493.

C. Perera, A. Zaslavsky, P. Christen and D. Georgakopoulos, “Context Aware Computing for The Internet of Things: A Survey,” in IEEE Communications Surveys & Tutorials, vol. 16, no. 1, pp. 414-454, First Quarter 2014, doi: 10.1109/SURV.2013.042313.00197.

C. Stergiou, K. E. Psannis, B.-G. Kim e B. Gupta, “Secure integration of IoT and Cloud Computing,” Future Generation Computer Systems, vol. 78, parte 3, pp. 964-975, 2018. DOI: 10.1016/j.future.2016.11.031.

de Mendonça, R. R., de Franco Rosa, F., Theophilo Costa, A. C., Bonacin, R., & Jino, M. (2019). OntoCexp: A Proposal for Conceptual Formalization of Criminal Expressions. In 16th International Conference on Information Technology-New Generations (ITNG 2019) (pp. 43–48). https://doi.org/10.1007/978-3-030-14070-0_7

E. M. Almeida, L. M. Peres and A. L’Erario, “An Approach to Use Comic Strips To Support IoT Systems Requirements Engineering,” 2022 IEEE Frontiers in Education Conference (FIE), Uppsala, Sweden, 2022, pp. 1-6, doi: 10.1109/FIE56618.2022.9962579.

F. A. Alaba, M. Othman, I. A. T. Hashem e F. Alotaibi, “Internet of Things security: A survey,” Journal of Network and Computer Applications, vol. 88, pp. 10-28, 2017. DOI: 10.1016/j.jnca.2017.04.002.

ISO/IEC 25030:2019 – Systems and software engineering — Systems and software Quality Requirements and Evaluation (SQuaRE) — Quality requirements framework.

J. B. Minani, F. Sabir, N. Moha and Y. -G. Guéhéneuc, “A Systematic Review of IoT Systems Testing: Objectives, Approaches, Tools, and Challenges,” in IEEE Transactions on Software Engineering, vol. 50, no. 4, pp. 785-815, April 2024, doi: 10.1109/TSE.2024.3363611.

J. L. Shah, H. F. Bhat e A. I. Khan, “Chapter 6 – Integration of Cloud and IoT for smart e-healthcare,” in Healthcare Paradigms in the Internet of Things Ecosystem, editado por V. E. Balas e S. Pal, Academic Press, 2021, pp. 101-136. ISBN: 9780128196649. DOI: 10.1016/B978-0-12-819664-9.00006-5.

Khanna, A., Kaur, S. Internet of Things (IoT), Applications and Challenges: A Comprehensive Review. Wireless Pers Commun 114, 1687–1762 (2020). https://doi.org/10.1007/s11277-020-07446-4

Kitchenham, B. (2004). Procedures for performing systematic reviews. Keele, UK, Keele University, 33(TR/SE- 0401), 28. https://doi.org/10.1.1.122.3308

L. Atzori, A. Iera e G. Morabito, “The Internet of Things: A survey,” Computer Networks, vol. 54, no. 15, pp. 2787- 2805, 2010. DOI: 10.1016/j.comnet.2010.05.010.

L. Médini, M. Mrissa, E.-M. Khalfi, M. Terdjimi, N. Le Sommer, P. Capdepuy, J.-P. Jamont, M. Occello e L. Touseau, “Chapter 5 – Building a Web of Things with Avatars: A comprehensive approach for concern management in WoT applications,” in Managing the Web of Things, editado por Q. Z. Sheng, Y. Qin, L. Yao e B. Benatallah, Morgan Kaufmann, 2017, pp. 151-180. ISBN: 9780128097649. DOI: 10.1016/B978-0-12-809764-9.00007-X.

M. Ge, H. Bangui e B. Buhnova, “Big Data for Internet of Things: A Survey,” Future Generation Computer Systems, vol. 87, pp. 601-614, 2018. DOI: 10.1016/j.future.2018.04.053.

P. P. Ray, “A survey on Internet of Things architectures,” Journal of King Saud University – Computer and Information Sciences, vol. 30, no. 3, pp. 291-319, 2018. DOI: 10.1016/j.jksuci.2016.10.003.

P. V. Paul and R. Saraswathi, “The Internet of Things — A comprehensive survey,” 2017 International Conference on Computation of Power, Energy Information and Commuincation (ICCPEIC), Melmaruvathur, India, 2017, pp. 421-426, doi: 10.1109/ICCPEIC.2017.8290405.

R. Perez-Castillo et al. , “Data Quality Best Practices in IoT Environments,” 2018 11th International Conference on the Quality of Information and Communications Technology (QUATIC), Coimbra, Portugal, 2018, pp. 272-275, doi: 10.1109/QUATIC.2018.00048.

S. Kaleem, S. Ahmad, M. Babar, V. Akre, A. Raian and F. Ullah, “A Review on Requirements Engineering for Internet of Things (loT) Applications,” 2019 Sixth HCT Information Technology Trends (ITT), Ras Al Khaimah, United Arab Emirates, 2019, pp. 269-275, doi: 10.1109/ITT48889.2019.9075078.

T. Banerjee and A. Sheth, “”IoT Quality Control for Data and Application Needs,”” in IEEE Intelligent Systems, vol. 32, no. 2, pp. 68-73, Mar.-Apr. 2017, doi: 10.1109/MIS.2017.35.

T. Nakajima and T. Komiyama. (2019). Applying Quality Requirements Framework to an IoT System and its Evaluation. 12:28-36.

Tyagi, H., Kumar, R. (2020). Cloud Computing for IoT. In: Alam, M., Shakil, K., Khan, S. (eds) Internet of Things (IoT). Springer, Cham. https://doi.org/10.1007/978-3-030-37468-6_2

Wyatt, Lindquist., A., Helal., Ahmed, E., Khaled. (2022). Health-IoT: Requirements for a Healthy Ecosystem. doi: 10.23919/SpliTech55088.2022.9854349

Y. Qin, Q. Z. Sheng, N. J. G. Falkner, S. Dustdar, H. Wang e A. V. Vasilakos, “When things matter: A survey on data-centric internet of things,” Journal of Network and Computer Applications, vol. 64, pp. 137-153, 2016. DOI: 10.1016/j.jnca.2015.12.016.

1 UNIFACCAMP
Campo Limpo Paulista, SP, Brasil

João Batista Pereira de Oliveira^[1]
Joethe Moraes de Carvalho^[2]

RESUMO

O uso de Inteligência Artificial (IA) em sistemas de monitoramento automatizado tem se expandido significativamente, oferecendo soluções inovadoras para diversas áreas. Contudo, sua implementação traz desafios relacionados à privacidade e segurança de dados. O objetivo deste foi estudo investigar os desafios e propor soluções para a garantia de privacidade e segurança de dados no contexto de sistemas de monitoramento automatizado baseados em IA. A metodologia adotada foi uma revisão bibliográfica de estudos acadêmicos recentes que abordam o uso de IA, seus riscos e as soluções propostas para a proteção de dados. O estudo identificou diversos riscos à privacidade e segurança de dados, como o uso indevido de informações coletadas, a falta de transparência nos algoritmos e as vulnerabilidades cibernéticas. A pesquisa também apontou soluções tecnológicas, como criptografia, anonimização e IA explicável, além da importância de regulamentações rigorosas, como a LGPD. A adoção de soluções tecnológicas avançadas, regulamentações robustas e boas práticas de implementação são essenciais para garantir a privacidade e a segurança dos dados, promovendo um uso seguro e ético da IA em ambientes automatizados.

Palavras-chave: Inteligência Artificial; Monitoramento Automatizado; Privacidade; Segurança de Dados, Boas Práticas.

ABSTRACT

The use of Artificial Intelligence (AI) in automated monitoring systems has significantly expanded, offering innovative solutions across various fields. However, its implementation brings challenges related to data privacy and security. The objective of this study was to investigate these challenges and propose solutions to ensure data privacy and security in the context of AI-based automated monitoring systems. The methodology adopted was a literature review of recent academic studies addressing the use of AI, its risks, and the proposed solutions for data protection. The study identified several risks to data privacy and security, such as misuse of collected information, lack of transparency in algorithms, and cybersecurity vulnerabilities. The research also pointed out technological solutions such as encryption, anonymization, and explainable AI, as well as the importance of stringent regulations, like the LGPD. The adoption of advanced technological solutions, robust regulations, and best implementation practices are essential to ensure data privacy and security, promoting the safe and ethical use of AI in automated environments.

Keywords: Artificial Intelligence; Automated Monitoring; Privacy; Data Security; Best Practices.

INTRODUÇÃO

A inteligência artificial (IA) tem revolucionado diversos setores, transformando a maneira como interagimos com sistemas e como as empresas gerenciam processos (SICHMAN, 2021). Nos últimos anos, a Inteligência Artificial (IA) tem se integrado rapidamente ao nosso dia a dia. Muitas vezes, utilizamos modelos desenvolvidos por algoritmos de IA sem sequer nos darmos conta de sua presença (FACELI, 2021).

Segundo Carvalho (2021), no contexto do monitoramento automatizado, a IA desempenha um papel central, permitindo a análise em tempo real de dados provenientes de câmeras, sensores e outros dispositivos conectados. Para Silva (2024), essa revolução tecnológica traz consigo desafios significativos relacionados à privacidade e segurança de dados. Ludermir (2021) aborda que em um cenário onde informações sensíveis são continuamente coletadas, armazenadas e analisadas, surge a necessidade de equilibrar o avanço tecnológico com a proteção dos direitos individuais, especialmente diante do crescente uso de tecnologias que dependem de processamento massivo de dados pessoais.

Nesse contexto, a problemática central está em como garantir a privacidade e a segurança dos dados no uso de IA para monitoramento automatizado. A questão que norteia este estudo é: “Quais são os principais desafios e soluções para assegurar a privacidade e segurança de dados no contexto do monitoramento automatizado com inteligência artificial?”. Essa indagação direciona a investigação sobre os impactos da IA nesse cenário e as formas de lidar com as implicações éticas e técnicas do uso dessa tecnologia.

O objetivo geral deste trabalho é investigar os desafios e propor soluções para a garantia de privacidade e segurança de dados no contexto de sistemas de monitoramento automatizado baseados em IA. Para alcançar esse objetivo, busca-se identificar os principais riscos à privacidade e à segurança de dados associados ao uso de IA em monitoramento automatizado, avaliar soluções tecnológicas e regulamentares que possam mitigar esses riscos e propor boas práticas para a implementação de sistemas que equilibrem eficiência no monitoramento com a proteção de dados.

A relevância deste estudo é evidenciada pelo aumento exponencial do uso de tecnologias de IA em setores como segurança pública, saúde e varejo, onde o monitoramento automatizado tem sido utilizado para otimizar processos e melhorar a eficiência operacional. Com o aumento do volume e da sensibilidade dos dados coletados, é importante compreender como minimizar os riscos de violações e assegurar a conformidade com legislações de privacidade, como a LGPD (Lei Geral de Proteção de Dados) no Brasil. Este estudo visa contribuir para o desenvolvimento de estratégias que promovam o uso ético e seguro da IA garantindo a confiança dos usuários e o equilíbrio entre inovação tecnológica e proteção de direitos fundamentais.

INTELIGÊNCIA ARTIFICIAL E MONITORAMENTO AUTOMATIZADO

A inteligência artificial (IA) tem sido um dos pilares tecnológicos mais relevantes nas últimas décadas, revolucionando a forma como tarefas complexas são realizadas Silva (2024). A IA é definida como a capacidade de máquinas e sistemas computacionais realizarem atividades que exigem inteligência humana, como raciocínio lógico, aprendizado, reconhecimento de padrões e tomada de decisão (FACELI et al., 2021).

 As aplicações da IA são amplas e variadas, sendo uma delas o monitoramento automatizado, um processo que utiliza IA para observar e analisar dados em tempo real, oferecendo soluções rápidas e eficazes para problemas dinâmicos (MOREIRA; RAZZOLINI FILHO; ADRIÃO, 2023).

O monitoramento automatizado, suportado por IA, utiliza tecnologias como aprendizado de máquina, redes neurais artificiais e visão computacional (TRINDADE; OLIVEIRA, 2024). O aprendizado de máquina permite que os sistemas analisem dados históricos e se adaptem a novas situações, enquanto as redes neurais simulam o funcionamento do cérebro humano para processar informações complexas. Conforme Silva (2024),  a visão computacional possibilita a análise de imagens e vídeos, permitindo identificar objetos, padrões e comportamentos com alta precisão. Essas tecnologias transformaram processos antes manuais e suscetíveis a erros em sistemas automáticos mais confiáveis e eficientes (BARROSO; MELLO, 2024).

No setor de segurança, por exemplo, a IA tem sido amplamente utilizada para monitorar ambientes públicos e privados, detectando atividades suspeitas de forma proativa como demonstra Trindade; Oliveira (p.12, 2024):

Sistemas de monitoramento por vídeo baseados em visão computacional conseguem identificar movimentos anômalos e enviar alertas em tempo real, ajudando a prevenir crimes e aumentando a sensação de segurança. Além disso, algoritmos de aprendizado de máquina podem prever comportamentos com base em padrões históricos, tornando a atuação mais precisa e estratégica (TRINDADE; OLIVEIRA, p.12 2024).

Segundo Carvalho (2024), na área da saúde, o monitoramento automatizado com IA tem proporcionado avanços significativos, especialmente no acompanhamento de pacientes e no gerenciamento de emergências. Dispositivos inteligentes e sensores conectados analisam constantemente sinais vitais e outros dados de saúde, permitindo que médicos e profissionais de saúde intervenham rapidamente em situações críticas. Essa abordagem melhora o atendimento ao paciente e reduz os riscos de complicações, ao mesmo tempo em que otimiza o uso de recursos hospitalares (ARÃO, 2024).

A indústria também se beneficia amplamente das soluções de monitoramento automatizado com IA. Em linhas de produção, sensores equipados com inteligência artificial identificam falhas em máquinas e produtos em tempo real, reduzindo desperdícios e melhorando a qualidade dos bens produzidos. A análise preditiva, baseada em grandes volumes de dados, permite a manutenção preventiva de equipamentos, evitando paradas inesperadas e aumentando a produtividade (LIMA; FERREIRA; CARVALHO, 2024).

No entanto, a implementação de IA e monitoramento automatizado apresenta desafios significativos, especialmente no que diz respeito à privacidade e à segurança de dados (BARROSO, 2024). Sistemas que coletam e analisam informações em tempo real precisam garantir que esses dados sejam protegidos contra acessos não autorizados e vazamentos. Além disso, é crucial equilibrar o uso de tecnologias avançadas com o respeito aos direitos individuais, evitando a vigilância excessiva e invasões de privacidade (MOREIRA; RAZZOLINI FILHO; ADRIÃO, 2023).

A regulamentação e a ética no uso da inteligência artificial também são tópicos centrais nessa discussão. Embora a tecnologia ofereça benefícios substanciais, sua aplicação sem diretrizes claras pode levar a abusos e desigualdades. A criação de políticas públicas e padrões internacionais é fundamental para garantir que a IA seja utilizada de maneira responsável, promovendo transparência e confiança entre as partes envolvidas (BARROSO; MELLO, p. 5, 2024).

A integração da IA ao monitoramento automatizado requer investimento contínuo em pesquisa e desenvolvimento, bem como na capacitação de profissionais (LIMA, 2024). À medida que as tecnologias evoluem, é essencial que organizações e governos acompanhem essas mudanças, adaptando seus sistemas e estratégias para maximizar os benefícios enquanto minimizam os riscos associados. Com isso, será possível explorar todo o potencial da IA de maneira sustentável e ética, contribuindo para um futuro mais seguro e eficiente (FACELI et al., 2021).

LEGISLAÇÃO DE PRIVACIDADE

A Lei Geral de Proteção de Dados (LGPD), instituída pela Lei nº 13.709, de 14 de agosto de 2018, com alterações introduzidas pela Lei nº 13.853, de 8 de julho de 2019, estabelece normas para o tratamento de dados pessoais no Brasil (NASCIMENTO; SILVA, 2023).

Conforme o Art. 6º da LGPD, as atividades de tratamento de dados pessoais devem observar a boa-fé e os seguintes princípios:

Necessidade (Art. 6º, III): Limitação do tratamento ao mínimo necessário para a realização de suas finalidades, abrangendo dados pertinentes, proporcionais e não excessivos em relação às finalidades do tratamento.

Qualidade dos dados (Art. 6º, V): Garantia, aos titulares, de exatidão, clareza, relevância e atualização dos dados, de acordo com a necessidade e para o cumprimento da finalidade de seu tratamento.

Não discriminação (Art. 6º, IX): Impossibilidade de realizar o tratamento para fins discriminatórios ilícitos ou abusivos.

A alteração da LGPD foi realizada através da redação dada pela Lei n° 13.853/2019, que visa dispor sobre a proteção de dados pessoais e criar a Autoridade Nacional de Proteção de Dados (ANPD), entre outras providências. Conforme o Art. 11, § 4º, da LGPD:

É vedada a comunicação ou o uso compartilhado entre controladores de dados pessoais sensíveis referentes à saúde com objetivo de obter vantagem econômica, exceto nas hipóteses relativas a prestação de serviços de saúde, de assistência farmacêutica e de assistência à saúde, desde que observado o § 5º deste artigo, incluídos os serviços auxiliares de diagnose e terapia, em benefício dos interesses dos titulares de dados, e para permitir: […] 

A Medida Provisória nº 869, que alterou a LGPD, deu origem à criação da ANPD, a qual supervisiona a conformidade legal. Para promover a conscientização pública, a ANPD, em colaboração com o Núcleo de Proteção de Dados do Conselho Nacional de Defesa do Consumidor e a SENACON (Secretaria Nacional do Consumidor), publicou as “DIRETRIZES PARA GARANTIR A PROTEÇÃO DE DADOS PESSOAIS”. Este manual esclarece a importância de proteger dados pessoais e destaca os impactos negativos do processamento não autorizado, que pode resultar em perdas econômicas e violações das liberdades essenciais dos indivíduos (ANPD e SENACON, 2021).

O documento “DIRETRIZES PARA GARANTIR A PROTEÇÃO DE DADOS PESSOAIS” define dado pessoal como qualquer informação que possa identificar uma pessoa, como nome, sobrenome, endereço residencial e número de telefone. Além disso, oferece diretrizes sobre a proteção dessas informações e os passos a serem seguidos em caso de violação de dados, respeitando os direitos dos titulares, conforme orientado pela ANPD e SENACON (2021).

O objetivo central da legislação é proteger os direitos fundamentais de liberdade, privacidade e o livre desenvolvimento da personalidade dos indivíduos. Entre os princípios basilares da LGPD, destacam-se a transparência, a segurança, a finalidade e a necessidade, que visam assegurar que os dados pessoais sejam tratados de forma ética e responsável, minimizando os riscos de violações (BRASIL, 2019).

O artigo 6º da LGPD define os princípios que devem nortear o tratamento de dados pessoais.

Dentre eles, o princípio da minimização merece destaque, pois estabelece que os dados coletados devem ser limitados ao mínimo necessário para atingir as finalidades pretendidas. Isso significa que organizações devem evitar a coleta excessiva de informações e garantir que os dados tratados sejam adequados, pertinentes e não excessivos em relação às suas finalidades declaradas. Tal abordagem reduz os riscos de exposição de dados e promove a conformidade legal (BRASIL, 2019).

Para reforçar a proteção, a LGPD prevê, no artigo 50:

A necessidade de implementação de programas de governança em privacidade. Esses programas devem incluir medidas técnicas e organizacionais para a prevenção de violações de dados e a mitigação de riscos. Além disso, a legislação incentiva a realização de relatórios de impacto à proteção de dados pessoais (RIPD), que analisam os potenciais riscos associados ao tratamento de dados e identificam as medidas necessárias para mitigá-los (MINGHELLI et al., 2024).

O artigo 41 da LGPD introduz a figura do encarregado pelo tratamento de dados pessoais, também conhecido como Data Protection Officer (DPO).

Este profissional é responsável por assegurar a conformidade da organização com a legislação, atuar como ponto de contato com os titulares de dados e com a Autoridade Nacional de Proteção de Dados (ANPD), além de orientar sobre as melhores práticas de proteção e segurança da informação. A presença do DPO é um pilar essencial para garantir que as organizações adotem uma abordagem proativa em relação à privacidade (NASCIMENTO; SILVA, 2023).

A ANPD desempenha um papel importante na aplicação da LGPD, conforme o artigo 55-A.

Entre suas atribuições estão a fiscalização, regulamentação e aplicação de sanções administrativas em casos de descumprimento. A autoridade tem autonomia técnica e a responsabilidade de promover a educação e conscientização sobre a proteção de dados, contribuindo para um ambiente digital mais seguro e confiável (BRASIL, 2019).

Assim, a conformidade com a LGPD não só reduz os riscos de sanções, mas também fortalece a confiança dos consumidores e a reputação das organizações no mercado (D’OLIVEIRA; CUNHA, 2024).

METODOLOGIA

A metodologia do estudo foi estruturada em três etapas principais: pesquisa bibliográfica, análise documental e proposição de recomendações práticas. O objetivo foi explorar os desafios e soluções relacionados à inteligência artificial e ao monitoramento automatizado, com ênfase na privacidade e segurança de dados.

Na primeira etapa, foi realizada uma revisão bibliográfica abrangente, consultando fontes acadêmicas, como artigos científicos, livros e publicações especializadas. A pesquisa focou na compreensão das tecnologias de inteligência artificial e monitoramento automatizado, além das implicações legais, éticas e sociais associadas a essas tecnologias. Bases de dados como SciELO, LILACS, PubMed e outras relevantes foram utilizadas, priorizando materiais publicados nos últimos cinco anos para garantir a atualidade do conteúdo.

Na segunda etapa, foi conduzida uma análise documental, com o exame de legislações e regulamentações relacionadas à proteção de dados, destacando a Lei Geral de Proteção de Dados (LGPD). Foram analisados artigos da legislação, relatórios de impacto e documentos oficiais da Autoridade Nacional de Proteção de Dados (ANPD). O objetivo foi identificar requisitos legais específicos e lacunas na implementação de políticas de conformidade em ambientes que utilizam inteligência artificial.

Na terceira etapa, foi elaborada uma proposta de estratégias e práticas recomendadas para mitigar os riscos de violações de privacidade e assegurar a conformidade com a legislação. As recomendações foram baseadas nos dados obtidos nas etapas anteriores, alinhadas às melhores práticas internacionais e aos princípios da LGPD.

A combinação dessas etapas permitiu uma compreensão aprofundada do tema e forneceu subsídios para o desenvolvimento de soluções que equilibram o avanço tecnológico com a proteção da privacidade dos indivíduos.

RISCOS À PRIVACIDADE E SEGURANÇA DE DADOS NO USO DE IA EM MONITORAMENTO AUTOMATIZADO

Os sistemas de IA aplicados ao monitoramento automatizado apresentam riscos significativos à privacidade, principalmente relacionados à coleta excessiva e uso indevido de dados pessoais. Muitas vezes, esses sistemas processam informações sensíveis sem o consentimento explícito dos indivíduos, violando direitos fundamentais garantidos por legislações como a LGPD (BRASIL, 2019). Essa prática pode resultar em discriminação ou exclusão social quando os dados são utilizados para segmentação ou tomada de decisões automatizadas (SICHMAN, 2021).

Outro risco importante envolve as vulnerabilidades cibernéticas associadas aos sistemas de IA. As brechas de segurança podem permitir acessos não autorizados, expondo dados pessoais a ameaças como roubo de identidade ou uso malicioso das informações (CARVALHO, 2021). A complexidade dos algoritmos de IA também dificulta a identificação de vulnerabilidades e aumenta o tempo de resposta a incidentes de segurança (LUDERMIR, 2021).

Além disso, a ausência de transparência nos algoritmos de IA é uma preocupação crescente. A opacidade dos processos de tomada de decisão automatizada dificulta a auditoria e a responsabilização em casos de uso indevido ou decisões errôneas, colocando em risco os direitos individuais (MOREIRA; RAZZOLINI FILHO; ADRIÃO, 2023). Essa falta de clareza pode desestabilizar a confiança pública na tecnologia.

A utilização inadequada de dados para treinamentos de modelos de IA também representa um risco significativo. Dados enviesados ou coletados de forma não ética podem resultar em modelos que reforçam preconceitos e perpetuam desigualdades sociais (SILVA; DOMINGUES, 2024). Esse problema ressalta a importância de práticas éticas na coleta e utilização de dados.

SOLUÇÕES TECNOLÓGICAS E REGULAMENTARES QUE POSSAM MITIGAR ESSES RISCOS

A implementação de frameworks de segurança robustos é uma das principais soluções tecnológicas para mitigar riscos. Modelos baseados em criptografia avançada e técnicas de anonimização garantem a proteção de dados pessoais em sistemas de IA minimizando a exposição a ameaças cibernéticas (CARVALHO, 2021). O uso de tecnologias como differential privacy oferece uma camada adicional de proteção durante o processamento de dados (LUDERMIR, 2021).

Regulamentações específicas, como a LGPD, têm um papel central na redução de riscos. Essas legislações exigem que organizações adotem medidas como o privacy by design, integrando práticas de proteção desde o início do desenvolvimento dos sistemas (BRASIL, 2019). Além disso, a LGPD determina a nomeação de um Encarregado de Dados, responsável por garantir a conformidade com os requisitos legais e mitigar riscos operacionais (SICHMAN, 2021).

A criação de órgãos reguladores e de fiscalização, como a Autoridade Nacional de Proteção de Dados (ANPD), fortalece o cumprimento das normas e promove a responsabilização em casos de violações. Essa abordagem reduz o impacto de eventuais falhas e incentiva práticas corporativas responsáveis (SILVA; DOMINGUES, 2024).

No âmbito tecnológico, o desenvolvimento de IA explicável (XAI, do inglês Explainable AI) é uma solução promissora para aumentar a transparência. Sistemas com maior clareza na tomada de decisões facilitam auditorias e garantem que os processos estejam alinhados às diretrizes éticas e legais (MOREIRA; RAZZOLINI FILHO; ADRIÃO, 2023).

BOAS PRÁTICAS PARA A IMPLEMENTAÇÃO DE SISTEMAS NO MONITORAMENTO COM A PROTEÇÃO DE DADOS

A aplicação do princípio de minimização de dados é fundamental na implementação de sistemas de monitoramento com IA. Essa prática envolve a coleta apenas dos dados estritamente necessários para os objetivos do sistema, reduzindo o impacto de possíveis incidentes de privacidade (BRASIL, 2019). Além disso, é recomendada a exclusão periódica de dados obsoletos para evitar armazenamento excessivo (SICHMAN, 2021).

A adoção de estratégias de governança de dados robustas também contribui para um equilíbrio eficiente. Isso inclui políticas internas claras sobre coleta, armazenamento, processamento e compartilhamento de informações, além de auditorias regulares para verificar a conformidade com as regulamentações (CARVALHO, 2021). Ferramentas de monitoramento contínuo ajudam a identificar e corrigir problemas rapidamente.

Outro aspecto relevante é a priorização do design centrado no usuário, garantindo que os sistemas sejam intuitivos e respeitem os direitos dos indivíduos. Interfaces claras e notificações sobre o uso de dados promovem maior transparência e confiança, além de facilitar o exercício de direitos pelos titulares (LUDERMIR, 2021).

A realização de Avaliações de Impacto à Proteção de Dados (DPIAs) é uma prática recomendada antes da implementação de sistemas de IA. Essas avaliações permitem identificar riscos potenciais e definir estratégias de mitigação apropriadas, fortalecendo a segurança e a conformidade legal (SILVA; DOMINGUES, 2024).

CONSIDERAÇÕES FINAIS

Este trabalho abordou os desafios e as possíveis soluções para garantir a privacidade e a segurança de dados em sistemas de monitoramento automatizado baseados em Inteligência Artificial (IA). Durante a pesquisa, foi possível identificar os principais riscos associados a essas tecnologias, como a coleta excessiva de dados, a vulnerabilidade a ataques cibernéticos e a falta de transparência nos algoritmos. Esses fatores podem comprometer a privacidade dos indivíduos, além de trazer consequências como discriminação, vigilância indesejada e o uso inadequado dos dados coletados.

A partir da análise, ficou claro que é essencial a implementação de soluções tecnológicas avançadas, como criptografia, anonimização e IA explicável, bem como a adoção de regulamentações como a Lei Geral de Proteção de Dados (LGPD). Essas ferramentas são fundamentais para minimizar os riscos e garantir a conformidade com os direitos fundamentais à privacidade e à segurança dos dados. Além disso, a criação de estruturas regulatórias e o princípio do privacy by design representam passos cruciais para o desenvolvimento ético e seguro da IA.

Outro ponto importante identificado foi a necessidade de boas práticas na implementação de sistemas de monitoramento automatizado. A minimização de dados, a governança eficaz e a conscientização dos profissionais sobre a proteção de dados pessoais são ações indispensáveis para garantir que a eficiência dos sistemas não prejudique a privacidade. A utilização de Avaliações de Impacto à Proteção de Dados (DPIAs) e o fortalecimento de uma cultura organizacional voltada para a privacidade são fundamentais para a implementação de soluções que respeitem os direitos dos usuários.

Portanto, para que o uso de IA em monitoramento automatizado seja seguro, eficiente e ético, é necessário um esforço conjunto entre tecnologia, regulamentação e boas práticas. O futuro da IA depende de um equilíbrio entre inovação e responsabilidade, com a garantia de que a privacidade e a segurança dos dados sejam preservadas durante todo o processo de desenvolvimento e operação desses sistemas.

REFERÊNCIAS

ALMEIDA, S. DO C. D. DE; SOARES, T. A. Os impactos da Lei Geral de Proteção de Dados – LGPD no cenário digital. Perspectivas em Ciência da Informação, v. 27, n. 3, p. 26–45, jul. 2022. Disponível em: https://doi.org/10.1590/1981-5344/25905. Acesso em: 28 de novembro de 2024.

ARÃO, C. Por trás da inteligência artificial: uma análise das bases epistemológicas do aprendizado de máquina. Trans/Form/Ação, v. 47, n. 3, p. e02400163, 2024. Disponível em: https://doi.org/10.1590/0101-3173.2024.v47.n3.e02400163. Acesso em: 01 de dezembro de 2024.

BARROSO, L. R.; MELLO, P. P. C. Inteligência artificial: promessas, riscos e regulação. Algo de novo debaixo do sol. Revista Direito e Práxis, v. 15, n. 4, p. e84479, 2024. Disponível em: https://doi.org/10.1590/2179-8966/2024/84479. Acesso em: 29 de novembro de 2024.

BRASIL. Lei Nº 13.709, de 14 de agosto de 2018. Lei Geral de Proteção de Dados Pessoais (LGPD). Brasília, DF: Diário Oficial da União, 2018. Brasília, DF, 2018. Disponível em: https://www.planalto.gov.br/ccivil_03/_ato2015-2018/2018/lei/l13709.htm. Acesso em: 07 de dezemvro de 2024.

BRASIL. Lei nº 13.853, de 8 de julho de 2019. Altera a Lei nº 13.709, de 14 de agosto de 2018, para dispor sobre a proteção de dados pessoais e para criar a Autoridade Nacional de Proteção de Dados; e dá outras providências. Brasília, 2019. Disponível em:
» https://www.planalto.gov.br/ccivil_03/_Ato2019-2022/2019/Lei/L13853.htm. Acesso em: 28 de novembro de 2024.

CARVALHO, A. C. P. DE L. F. DE. Inteligência Artificial: riscos, benefícios e uso responsável. Estudos Avançados, v. 35, n. 101, p. 21–36, jan. 2021.  Disponível em: https://doi.org/10.1590/s0103-4014.2021.35101.003. Acesso em: 01 de dezembro de 2024.

DECCO-SEDIF. Crimes cibernéticos: evolução da legislação brasileira, 04 jun 2019. Disponível em: https://www.tjrj.jus.br/web/portal-conhecimento/noticias/noticia/-/visualizar-conteudo/5736540/6447772  Acesso em: 05 de dezembro de 2024.

D’OLIVEIRA, N. P. C.; CUNHA, F. J. A. P. Lei Geral de Proteção de Dados (LGPD): a relação entre as políticas e os regimes de informação. RDBCI: Revista Digital de Biblioteconomia e Ciência da Informação, v. 22, p. e024015, 2024. Disponível em: https://doi.org/10.20396/rdbci.v22i00.8675749. Acesso em 29 de novembro de 2024.

FACELI, K. et al. Inteligência Artificial – Uma Abordagem de Aprendizado de Máquina. 2. edição. GrupoGen, 2021. Disponível em: . https://www.grupogen.com.br/e-book-inteligencia-artificial-uma-abordagem-de-aprendizado-de-maquina. Acesso em: 28 de novembro de 2024.

LIMA, G. DE M.; FERREIRA, G. M. DOS S.; CARVALHO, J. DE S. Automação na educação: caminhos da discussão sobre a inteligência artificial. Educação e Pesquisa, v. 50, p. e273857, 2024.  Disponível em: https://doi.org/10.1590/S1678-4634202450273857por. Acesso em: 28 de novembro de 2024.

LUDERMIR, T. B. Inteligência Artificial e Aprendizado de Máquina: estado atual e tendências. Estudos Avançados, v. 35, n. 101, p. 85–94, jan. 2021. Disponível em: https://doi.org/10.1590/s0103-4014.2021.35101.007. Acesso em: 25 de novembro de 2024.

MINGHELLI, M. et al. Lei Geral de Proteção de Dados e a elaboração do Relatório de Impacto à Proteção de Dados Pessoais. Em Questão, v. 30, p. e–138249, 2024. Disponível em: https://doi.org/10.1590/1808-5245.30.138249. Acesso em: 29 de novembro de 2024.

MOREIRA, A. L. D.; RAZZOLINI FILHO, E.; ADRIÃO, M. C. Vigilância e privacidade no ambiente digital. RDBCI: Revista Digital de Biblioteconomia e Ciência da Informação, v. 21, p. e023012, 2023. Disponível em: https://doi.org/10.20396/rdbci.v21i00.8671505. Acesso em: 28 de novembro de 2024.

NASCIMENTO, B. L. C. DO; SILVA, E. M. DA. Lei Geral de Proteção de Dados (LGPD) e repositórios institucionais: reflexões e adequações. Em Questão, v. 29, p. e–127314, 2023. Disponível: https://doi.org/10.1590/1808-5245.29.127314. Acesso em: 28 de novembro de 2024.

SICHMAN, J. S. Inteligência Artificial e sociedade: avanços e riscos. Estudos Avançados, v. 35, n. 101, p. 37–50, jan. 2021. Disponível em: https://doi.org/10.1590/s0103-4014.2021.35101.004. Acesso em: 04 de dezembro de 2024.

SILVA, T. D; DOMINGUES, P. M. Inteligência Artificial e Privacidade: Os desafios do Privacy by Design. ARC: Avan. Repr. Conh.,BH, v.4, n.2, ano IV, ago. 2024. Disponível em: 0.5281/zenodo.13152354. Acesso em: 27 de novembro de 2024.

TRINDADE, A. S. C. E. DA; OLIVEIRA, H. P. C. DE. Inteligência artificial (ia) generativa e competência em informação: habilidades informacionais necessárias ao uso de ferramentas de ia generativa em demandas informacionais de natureza acadêmica-científica. Perspectivas em Ciência da Informação, v. 29, p. e–47485, 2024. Disponível em: https://doi.org/10.1590/1981-5344/47485. Acesso em: 28 de novembro de 2024.

^[1] Finalista do curso de Bacharel em Engenharia de Software. Instituto Federal de Educação, Ciência e Tecnologia do Amazonas. E-mail: joao.oliver4011@gmail.com.

^[2] Mestre em Ciências e Educação. Instituto Federal de Educação, Ciência e Tecnologia do Amazonas. E-mail: joethe@ifam.edu.br

REGISTRO DOI: 10.69849/revistaft/th10241170943

Kaua Anthony Bastos Vieira ¹
Gizele Melo Uchoa ²

Resumo

O crescimento urbano e industrial de Manaus continuamente vem gerando impactos significativos no meio ambiente, ressaltando a necessidade de aumentar a conscientização ambiental entre os habitantes. Este estudo desenvolveu um assistente virtual para auxiliar os residentes de Manaus na compreensão e percepção dos desafios ambientais locais. A metodologia utilizada incluiu a criação de uma interface amigável, com recursos de inteligência artificial, para fornecer informações e recomendações sobre práticas sustentáveis e questões ambientais específicas da região. Os resultados indicaram que o assistente virtual aumentou significativamente o conhecimento dos usuários sobre temas ambientais e incentivou a adoção de comportamentos mais conscientes e sustentáveis. As principais conclusões destacam a importância da educação ambiental digital como ferramenta eficaz para engajamento e conscientização da população sobre a preservação ambiental. Este estudo reforçou a necessidade de desenvolver e implementar tecnologias de informação acessíveis para promover a sustentabilidade em contextos urbanos.

Palavras-chave: Sustentabilidade Urbana; Inteligência Artificial; Conscientização Ambiental; Compostagem Urbana.

INTRODUÇÃO

Devido ao impacto cada vez maior que as atividades humanas têm sobre o meio ambiente, é imperativo aumentar a conscientização dos cidadãos e encorajar comportamentos sustentáveis. Manaus, uma metrópole na Amazônia, enfrenta muitos problemas ambientais, como desmatamento, poluição dos rios e perda de biodiversidade. A falta de consciência ambiental entre seus habitantes agrava esses problemas, dificultando a adoção de práticas ambientais e a mobilização pela preservação dos recursos naturais. Leff (2001) argumenta que a crise ambiental é, em essência, uma crise do saber e da racionalidade, o que torna a educação ambiental uma ferramenta essencial para enfrentar esses desafios, fornecendo aos indivíduos o conhecimento e a motivação necessários para agir de forma consciente e responsável em relação ao meio ambiente.

No entanto, as abordagens tradicionais de educação ambiental muitas vezes não conseguem engajar o público, especialmente em áreas urbanas onde a conexão com a natureza é limitada. Morin (1996) ressalta a necessidade de uma compreensão complexa da realidade, considerando as interconexões entre problemas ambientais e sociais. A tecnologia, como os assistentes virtuais, oferece uma solução promissora, proporcionando uma plataforma interativa para compartilhar conhecimento e aumentar a conscientização. Para serem eficazes, esses assistentes devem ser desenvolvidos com uma compreensão profunda da percepção ambiental dos habitantes e das dinâmicas locais de Manaus.

Neste estudo, busca-se explorar o potencial de um assistente virtual para promover a percepção ambiental entre os habitantes de Manaus. Serão analisadas variáveis teóricas como o nível de conhecimento ambiental, atitudes em relação à conservação e o impacto da tecnologia na educação. Além disso, será avaliada a relação entre o uso do assistente virtual e as mudanças na percepção ambiental dos participantes, bem como a eficácia da ferramenta em diferentes grupos demográficos.

Objetivou-se com esse trabalho desenvolver e avaliar um assistente virtual de educação ambiental que promova a percepção ambiental entre os habitantes de Manaus, aumentando o conhecimento e incentivando práticas sustentáveis na comunidade local.

METODOLOGIA

A metodologia adotada para o desenvolvimento do aplicativo “Yanduara” foi escolhida com o objetivo de criar uma ferramenta que promovesse a educação ambiental de forma dinâmica e acessível. O uso da metodologia interativo-incremental foi fundamental para garantir que o aplicativo pudesse ser ajustado e melhorado continuamente, permitindo uma resposta eficaz às necessidades dos usuários e às demandas específicas da área de educação ambiental. A proposta de desenvolvimento do Yanduara surge da necessidade de fomentar a conscientização e a percepção ambiental, utilizando tecnologias educativas que ofereçam um aprendizado interativo e contextualizado, alinhado às novas demandas pedagógicas e aos desafios ambientais contemporâneos.

A metodologia do estudo dos dados extraído do aplicativo foi estruturada para integrar pesquisa bibliográfica e coleta de dados empíricos por meio de questionários online que está inserindo dentro do aplicativo. A pesquisa bibliográfica baseou-se em livros e capítulos de livros relevantes para a área de educação ambiental, percepção ambiental e tecnologias educativas. Para sistematizar e interpretar os dados bibliográficos, utilizou-se o método de análise de conteúdo descrito por Bardin (2011)

A coleta de dados dos participantes foi realizada através de um questionário online, desenvolvido na plataforma Google Forms e inserido dentro da aplicação através de um API, devido à sua acessibilidade e facilidade de uso. O questionário foi desenhado para identificar dois grupos distintos de participantes: manauaras, nascidos em Manaus, e residentes não manauaras, que não nasceram na cidade, mas que atualmente residem nela. O questionário de perfil demográfico coletou informações básicas como idade, gênero, nível de escolaridade, tempo de residência em Manaus, e origem dos participantes (nascidos ou não em Manaus).

Para avaliar a percepção ambiental dos participantes, foi utilizado um questionário adaptado dos trabalhos de Schultz (2000), que incluiu perguntas de múltipla escolha e escalas Likert. Este questionário foi utilizado para medir o conhecimento ambiental, atitudes e comportamentos relacionados ao meio ambiente dos participantes. Especificamente, perguntas sobre problemas ambientais locais, como desmatamento e poluição dos rios, foram incluídas para medir o nível de conhecimento dos participantes. As atitudes ambientais foram avaliadas por meio de escalas Likert, que mediam a disposição dos participantes para adotar comportamentos ecológicos e apoiar políticas ambientais.

Os dados coletados foram analisados primeiramente de forma descritiva para fornecer uma visão geral das características dos participantes e suas percepções ambientais. Em seguida, foram realizados testes para amostras independentes e ANOVA para comparar os resultados entre os dois grupos, identificando diferenças significativas nos indicadores de percepção ambiental entre manauaras e não manauaras. O uso do Google Forms garantiu a coleta de dados anônima, respeitando a privacidade dos participantes. Antes da participação, foi obtido o consentimento informado, explicando o objetivo do estudo e assegurando o uso ético dos dados, conforme orientações de Beauchamp e Childress (2013). Essa abordagem metodológica foi adaptada para maximizar a participação e garantir a representatividade dos habitantes de Manaus, proporcionando uma análise robusta e contextualizada das percepções ambientais na região.

RESULTADOS E DISCUSSÃO

A questão ambiental tem se tornado um dos temas centrais no cenário global, impulsionada pelos crescentes impactos das atividades humanas sobre o meio ambiente. O desmatamento, a poluição, a perda de biodiversidade e as mudanças climáticas são problemas que afetam a qualidade de vida e a sustentabilidade dos ecossistemas. Nesse contexto, os Objetivos de Desenvolvimento Sustentável (ODS) estabelecidos pela Organização das Nações Unidas (ONU) em 2015 surgem como uma agenda global que busca equilibrar o desenvolvimento econômico, a inclusão social e a proteção ambiental. Os ODS, em especial o Objetivo 13 (Ação Contra a Mudança Global do Clima) e o Objetivo 15 (Vida Terrestre), reforçam a importância da conservação dos recursos naturais e do engajamento da sociedade em práticas sustentáveis.

A percepção ambiental, entendida como o reconhecimento e compreensão dos problemas ambientais e a disposição para agir de forma a mitigá-los, é um componente fundamental para alcançar os objetivos de sustentabilidade. A educação ambiental desempenha um papel crucial na formação dessa percepção, capacitando os indivíduos a tomar decisões conscientes e a adotar comportamentos que promovam a sustentabilidade. Contudo, as abordagens tradicionais de educação ambiental enfrentam desafios, especialmente em contextos urbanos, onde a desconexão com a natureza é mais acentuada. Durante a implementação do assistente virtual para educação ambiental em Manaus, foram coletados dados de 27 participantes que forneceram informações sobre suas percepções e comportamentos ambientais. Destes, 18 (66,7%) eram naturais de Manaus, enquanto os outros 9 (33,3%) não eram manauaras. Os participantes representaram diversos bairros da cidade, incluindo Lago Azul, Compensa, Coroado, e São José Operário, entre outros.

A maioria dos participantes (85,1%) descreveu sua relação com o meio ambiente como positiva ou muito positiva, indicando um alto nível de conscientização e preocupação com questões ambientais. Os aspectos mais valorizados incluíram florestas, rios e lagos, animais selvagens, e recursos naturais como água e solo. 100% dos participantes acreditaram que a educação ambiental é essencial para a preservação do meio ambiente, ressaltando a importância de iniciativas educativas.

Os principais desafios ambientais identificados pelos participantes foram desmatamento (81,5%), poluição (100%) e mudanças climáticas (66,7%). Além disso, questões como perda de biodiversidade e mal condicionamento dos resíduos sólidos também foram mencionadas, especialmente, nos bairros mais centrais e densamente povoados.

Em termos de ações práticas, 68% dos participantes relataram envolvimento em práticas de conservação da água e energia, e 60% mencionaram o uso sustentável de recursos naturais. Algumas respostas incluíram ativismo ambiental e participação em projetos de reflorestamento. No entanto, uma minoria (20%) afirmou não participar de atividades ambientais organizadas.

Os resultados indicaram que a percepção ambiental entre os habitantes de Manaus foi, em geral, bastante positiva, com uma consciência clara dos desafios enfrentados pela região. Essa percepção foi especialmente relevante em uma cidade localizada na Amazônia, uma área de importância ecológica global. A forte valorização de florestas, rios e lagos refletiu a conexão dos moradores com o ambiente natural ao seu redor e a compreensão dos benefícios que esses ecossistemas proporcionam. Segundo Leff (2001), essa consciência ambiental é fundamental para promover práticas de sustentabilidade que integrem o saber ambiental e a racionalidade ecológica, contribuindo para a construção de uma sociedade mais justa e sustentável.

A crença generalizada na importância da educação ambiental sugeriu que o assistente virtual tinha um papel crucial a desempenhar na disseminação de informações e na promoção de práticas sustentáveis. A alta taxa de engajamento em práticas como a conservação da água e energia e o uso sustentável de recursos naturais demonstrou um compromisso crescente com a sustentabilidade. No entanto, a participação em atividades organizadas, como ativismo ambiental e projetos de reflorestamento, ainda pôde ser ampliada.

Além do formulário integrado ao aplicativo Yanduara, foram implementadas diversas funcionalidades adicionais que potencializaram seu uso no contexto da educação ambiental e da agricultura sustentável. Entre elas, destaca-se a inclusão de ferramentas com inteligência artificial (IA) para auxiliar no cultivo, fornecendo recomendações personalizadas com base nas condições locais e nas necessidades específicas de cada usuário. Também foi incorporada uma biblioteca de leituras voltadas para a educação ambiental, promovendo o engajamento dos usuários em práticas sustentáveis. O aplicativo ainda conta com um canal para denúncias de queimadas, facilitando a comunicação direta com autoridades responsáveis pela preservação ambiental. Por fim, uma seção de e-commerce foi disponibilizada, permitindo a venda de produtos relacionados à agricultura familiar, incentivando o desenvolvimento econômico sustentável nas comunidades rurais. Essas funcionalidades ampliaram o impacto do aplicativo, tornando-o uma ferramenta completa e versátil para os diversos desafios ambientais e sociais enfrentados pelos usuários.

A percepção dos desafios ambientais, como desmatamento e poluição, foi consistente com os problemas enfrentados em toda a Amazônia. A preocupação com a perda de biodiversidade e a gestão inadequada de resíduos sólidos apontou para áreas onde políticas públicas e ações comunitárias precisaram ser fortalecidas. A diversidade de opiniões sobre o futuro do meio ambiente na região, com alguns expressando pessimismo, destacou a necessidade de esforços contínuos para a educação e a mobilização da população.

Para maximizar o impacto do assistente virtual, recomendou-se:

• Fortalecimento de Parcerias: Estabelecer colaborações com escolas, ONGs e grupos comunitários para ampliar o alcance das iniciativas de educação ambiental.
• Expansão do Conteúdo Educativo: Desenvolver conteúdos que abordassem especificamente as preocupações locais, como a gestão de resíduos e a conservação da biodiversidade.
• Incentivos à Participação Comunitária: Criar campanhas que incentivassem a participação em projetos de conservação e reflorestamento, além de promover o ativismo ambiental.

Os resultados indicaram que havia uma base sólida de conscientização ambiental em Manaus, mas também identificaram áreas críticas que requerem atenção. Através de uma abordagem educacional integrada e de ações comunitárias coordenadas, foi possível fomentar uma cultura de sustentabilidade que beneficia tanto a cidade quanto a região amazônica como um todo.

CONCLUSÕES

O estudo concluiu que o uso do assistente virtual “Yanduara” para educação ambiental obteve resultados significativos entre os habitantes de Manaus. O uso de um assistente virtual se mostrou eficaz para a melhoria da percepção dos manauaras quanto à beleza do ambiente ao seu redor. Os dados coletados evidenciam um aumento significativo no conhecimento regional e nas atitudes pró- ambientais dos participantes após a interação com a tecnologia.

A análise dos resultados demonstra que o assistente virtual contribui de maneira efetiva para a conscientização sobre questões críticas, como desmatamento e poluição, alcançando manauaras e até mesmo residentes oriundos de outros municípios. A melhoria observada no conhecimento e nas atitudes dos participantes reforça a eficácia desta tecnologia na promoção da educação ambiental.

A ferramenta utilizada para coleta e análise de dados para resultados dos usuários Google Forms mostrou-se eficiente e prática, permitindo uma avaliação abrangente e acessível. O estudo reforça a viabilidade de integrar assistentes virtuais em programas de educação ambiental como uma estratégia promissora para engajar a população e fomentar práticas sustentáveis.

Assim, recomenda-se a continuidade e expansão do uso de assistentes virtuais em iniciativas educativas voltadas para o meio ambiente, considerando a relevância e o impacto positivo demonstrado pelos resultados.

AGRADECIMENTOS

Agradeço à minha futura esposa Ana Beatriz e ao meu filho Anthony Gael pelo apoio incondicional e paciência durante o desenvolvimento deste trabalho. Seu encorajamento e compreensão foram essenciais para a conclusão deste estudo.

REFERÊNCIAS

Associação brasileira de normas técnicas. ABNT. Formatação nas normas ABNT. Disponível em: https://www.normasabnt.org/#formatacao-nas-normas-da-abnt. Acesso em 20 de junho de 2024.

BARDIN, laurence. Análise de conteúdo. 8. Ed. Lisboa: edições 70, 2011.

BEAUCHAMP, tom l.; childress, james f. Principles of biomedical ethics. 7. Ed. New york: oxford university press, 2013.

LEFF, E. Saber ambiental: sustentabilidade, racionalidade, complexidade, poder. Petrópolis: Vozes, 2001.

MORIN, E. (Org.). O problema epistemológico da complexidade. Portugal: Publicações Europa- América, 1996.

SCHULTZ, p. Wesley. The structure of environmental concern: concern for self, other people, and the environment. Journal of environmental psychology, v. 20, n. 1, p. 1-20, 2000.

¹ Aluno do Curso de Graduação em Bacharelado em Engenharia de Software, Instituto Federal do Amazonas (IFAM) – Campus Zona Leste, kauak2anthony@gmail.com.

² Prof. Dra. Gizele Melo Uchoa – Instituto Federal do Amazonas (IFAM) – Departamento de Professor de Ensino Básico, Técnico e Tecnológico, gizele.melo@ifam.edu.br.

Renan Oliveira de Carvalho¹
João Henrique Gião Borges²
André Luiz da Silva³
Fabiana Florian⁴

RESUMO

Este trabalho tem o objetivo de desenvolver um software que utiliza aprendizado de máquina e visão computacional para auxiliar no diagnóstico precoce de melanoma. O software foi desenvolvido em Python, utilizando bibliotecas de inteligência artificial e processamento de imagens, como o “TensorFlow” e o “OpenCV”, e a arquitetura de rede neural VGG16. O software comparou imagens suspeitas de lesões cutâneas com um banco de dados contendo imagens de lesões malignas e benignas, envolvendo o pré-processamento das imagens, a extração de características com o VGG16 e a análise de similaridade cosseno para a classificação das imagens. Os resultados indicaram que o sistema é eficaz na distinção entre lesões malignas e benignas, mas a acurácia depende da qualidade e diversidade das imagens. Futuros aprimoramentos poderiam incluir a ampliação do banco de dados e o uso de mais métodos de comparação de imagens.

Key-words: Câncer de pele, Diagnóstico precoce, Melanoma, Inteligência Artificial, Aprendizado de Máquina, Visão Computacional, Python.

1 INTRODUÇÃO

O câncer é uma das principais causas de morte no mundo, porém, se for detectado precocemente, as chances de cura aumentam. Segundo a Federação Brasileira das Entidades Beneficentes de Apoio à Saúde da Mama (FEMAMA), o diagnóstico precoce pode aumentar em até 95% as chances de tratamento. Enfatizando a importância da detecção rápida de células cancerígenas numa fase inicial é crucial para se evitar o agravamento da doença. Além disso, avanços tecnológicos, como a análise de imagens por meio de inteligência artificial, revolucionaram o campo do diagnóstico médico.

A aplicação da Inteligência Artificial (IA) à prática médica facilita a tarefa diagnóstica, possibilitando que os médicos tenham mais tempo para atender os pacientes. A IA, uma área da ciência da computação que é dedicada ao desenvolvimento de sistemas capazes de executar tarefas que normalmente exigiriam inteligência humana, como reconhecimento de fala, tomada de decisões e tradução de idiomas (DE SA; BORGES, 2023). Na medicina, esses algoritmos processam um volume imenso de dados para descobrir padrões e fornecem apoio em tempo real na tomada de decisões clínicas. 

Além disso, a IA trilha um caminho para a tomada de decisão dos profissionais de saúde ao revelar características complexas que podem ser difíceis de ver a olho nu. Isto permite que médicos e enfermeiros façam escolhas mais estratégicas, que aliviam a sua carga de trabalho, com mais tempo livre esses profissionais podem realmente se dedicar ao apoio emocional e em como resolver o problema. Esta evolução sugere procedimentos cada vez menos invasivos, como uma biópsia, que representa uma mudança fundamental para um futuro em que o processo seja menos doloroso, mas também preventivo.

A análise de imagens orientada por IA facilita a intervenção profissional, produz relatórios médicos com rapidez e detecta anomalias que seriam quase impossíveis a olho nu. A precisão desses diagnósticos requer confiança que os métodos manuais tradicionais talvez não consigam fornecer devido aos melanomas serem na maioria das vezes visualmente parecidos com pintas ou manchas comuns.

Durante um exame de rotina, uma descoberta inesperada: uma lesão cutânea que não apresenta uma variação normal. Para muitos, esse momento marca o início de um período cheio de incertezas, com a questão: “Pode ser câncer ou não?”. Segundo o Instituto Nacional do Câncer (INCA, 2023), são esperados 2.175.000 novos casos de câncer até 2025, aproximadamente 725 mil casos por ano. Diante desse cenário, a precisão do diagnóstico é o mais importante. No entanto, o processo manual de análise dessas imagens é notoriamente lento, sujeito a erros e imprecisões, dificultado pela diversidade e complexidade das células cancerígenas, já que o câncer se caracteriza pela proliferação exacerbada das células.

O crescimento acelerado da inteligência artificial e do aprendizado de máquina acelera os métodos de diagnóstico médico, tornando-os mais inteligentes e precisos. Este artigo tem o objetivo de desenvolver um software utilizando a linguagem de programação em Python, que permitirá o auxílio no processo de diagnóstico. O programa analisa uma imagem de um suposto melanoma e compara com um banco de dados com imagens malignas e benignas, classificando o seu grau de similaridade com ambas, fornecendo um apoio para a detecção precoce do tumor. Esse avanço não só acelera diagnósticos e proporciona maior precisão, mas também proporciona orientação. Com a ajuda de algoritmos em constante melhoria, a IA aprimora hipóteses diagnósticas para se tornar cada vez mais precisa.

O software pode ser usado por dermatologistas durante consultas ao terem um pré-diagnóstico imediato e sanar todas as dúvidas do paciente em seu atendimento. Ao fornecer uma análise da probabilidade de uma lesão ser maligna ou benigna, auxiliando os médicos a tomarem decisões sobre a necessidade de biópsias ou encaminhamento para especialistas oncológicos. Sendo muito útil em regiões remotas onde a escassez ou a demanda de profissionais ou aparelhos de diagnósticos é alta.

O software inclui tecnologia avançadas como “Numpy”, “OpenCV” e “TensorFlow” essenciais no desenvolvimento do sistema. “Numpy” se destaca no desenvolvimento de sistemas científicos e de engenharia devido ao seu objeto, que representa arrays multidimensionais homogêneos de tamanho fixo, permitindo computação de alta velocidade crucial para manipulação eficaz de grandes conjuntos de dados (JINKU HU,2021). Esse recurso é crucial para processar e interpretar a complexidade das informações obtidas em imagens médicas. Por outro lado,” OpenCV”, que significa “Open Source Computer Vision Library”, concentra-se em algoritmos de “visão computacional” e “Machine Learning“. Ao fazer isso, o software não apenas captura e analisa imagens, mas também identifica padrões e características celulares que podem indicar a presença de câncer. Já o “TensorFlow” desempenha um papel fundamental ao fornecer a infraestrutura necessária para a construção e treinamento de modelos de aprendizado profundo, como a rede neural convolucional VGG16 utilizada neste projeto. Esse modelo pré-treinado permite a extração de características visuais complexas das imagens, facilitando a comparação e a classificação das lesões cutâneas, auxiliando assim no diagnóstico precoce do câncer.

Usando essas bibliotecas, o software poderá examinar imagens de células potencialmente cancerígenas e avaliar a probabilidade de ser câncer. Esta análise é importante para fornecer um apoio importante à detecção precoce do tumor e para fornecer orientação. As técnicas de “aprendizado de máquina” e “visão computacional” apoiadas em “Numpy” e “OpenCV”.

2 INTELIGÊNCIA ARTIFICIAL (IA) E MACHINE LEARNING

Esta seção apresenta uma base teórica dos principais conceitos em torno de Inteligência Artificial e Machine Learning proporcionando melhor compreensão deste trabalho.

IA é uma subárea da computação em que computadores executam tarefas de alto nível, igualando a inteligência dos humanos, que servem para vários mercados como melhoria da gestão de estoque ou até mesmo reconhecer padrões de características em imagens. Segundo Russell e Norvig (2016), a IA pode ser definida como o estudo de agentes que recebem percepções do ambiente e realizam ações que maximizam suas chances de sucesso. Ela desempenha um papel importante em várias etapas do tratamento e pesquisa do câncer, desde o diagnóstico precoce até a tomada de decisões sobre tratamentos complexos

Machine Learning é uma subárea da Inteligência Artificial focada no desenvolvimento de algoritmos a serem treinados a partir de vários dados, melhorando sua performance em tarefas específicas, sem serem explicitamente programados para isso. Segundo Bishop (2006), Machine Learning explora o estudo e construção de algoritmos que podem aprender de e fazer previsões sobre dados.

O aprendizado de máquina pode ser classificado em três categorias principais: o supervisionado, que é treinado com dados rotulados; o não supervisionado, em que, ao contrário do supervisionado, os dados não são rotulados e o objetivo é identificar padrões ocultos; e o aprendizado por reforço, que aprende interagindo com o ambiente. Murphy (2012) fornece uma abordagem probabilística para o aprendizado supervisionado e outros métodos em seu texto.

Existem muitas aplicações para Machine learning e áreas como perspectiva computacional, processamento de linguagem natural, e diagnósticos médicos. Jordan e Mitchell (2015) discutem como Machine learning tem impactado diversas áreas, transformando indústrias e profissões ao permitir análises mais profundas de grandes volumes de dados.

Python é uma linguagem de programação fácil e amplamente utilizada, projetada por Guido van Rossum e lançada em 1991. Foi criada com o objetivo de ser intuitiva e acessível, permitindo aos desenvolvedores criarem códigos em menos linhas em comparação com outras linguagens de nível mais baixo, como C++ ou Java, suportando múltiplos paradigmas de programação, incluindo programação orientada a objetos.

Python foi projetado com um foco em clareza e simplicidade, o que torna seu código mais legível e fácil de entender. Isso é evidenciado pelo uso de espaços em branco para definir blocos de código, ao invés de chaves ou palavras-chave específicas. É uma linguagem de tipagem dinâmica, o que significa que uma variável é determinada em tempo de execução e não precisa ser explicitamente declarada pelo programador. Isso facilita a escrita e reduz a quantidade de código necessário. Gerencia automaticamente a memória usada pelos programas. Isso inclui a alocação e liberação de memória, o que reduz a possibilidade de vazamentos de memória e outros problemas relacionados à gestão de memória.

3 DESENVOLVIMENTO

Esta seção apresenta as etapas para realizar a análise de imagens de câncer de pele, que emprega, bibliotecas avançadas para comparação de imagens e extração de suas variâncias e características. 

O modelo VGG16 foi escolhido devido à sua eficácia comprovada em tarefas de classificação de imagens (SIMONYAN & ZISSERMAN, 2015). Este modelo é amplamente utilizado em problemas de visão computacional por sua capacidade de capturar características visuais e detalhadas. As camadas convolucionais profundas permitem a extração de recursos a nível alto, que é fundamental para identificar padrões complexos em imagens.

A) Redes Neurais Convolucionais (CNNs)

As redes neurais convolucionais são um tipo de rede neural artificial projetada para processar dados que têm uma estrutura de grelha, como imagens digitais (KRIZHEVSKY, SUTSKEVER, & HINTON, 2012). A CNN é uma sequência de camadas que estão em posição de fazer processamento e extração de informações diferentes de imagens digitais.

B) Camadas Convolucionais

As principais construções de CNNs são as camadas convolucionais. Elas usam convoluções, onde a entrada da imagem é varrida pelos filtros para extrair informações da imagem localmente, como texturas, bordas e padrões (LECUN, BENGIO, & HINTON, 2015). Cada um dos núcleos usados é projetado de uma forma que ele pegará um tipo de característica da imagem. Durante o treinamento, os valores dos filtros são atualizados de tal forma que mesmo a mais mínima informação da imagem seja destacada, para que a detecção de padrões possa ser feita corretamente.

C) Camadas de Pooling

Após as camadas convolucionais, geralmente surgem as camadas de pooling (ou camadas de subamostragem) em CNNs. É um processo no qual a dimensionalidade dos dados é reduzida de uma maneira que apenas as características mais dominantes permaneçam. Isso pode ser feito, por exemplo, por agrupamento máximo, onde o valor máximo em uma região é preservado, ou por agrupamento médio, onde o valor médio é preservado (SZEGEDY ET AL., 2015).

D) Camadas Totalmente Conectadas

A última camada da CNN é a camada totalmente conectada, à camada de neurônios em que um neurônio é conectado a cada neurônio da camada anterior (ESTEVA ET AL., 2017). O trabalho das camadas é essencialmente extrair características das camadas anteriores e fazer a última tarefa de classificação ou qualquer outra tarefa de aprendizado.

3.1 Aquisição dos dados

Para o desenvolvimento e teste do software, utiliza-se um conjunto de imagens composta por lesões cutâneas malignas, e uma imagem de lesão suspeita para a análise comparativa. As imagens foram obtidas de bancos de dados públicos especializados em imagens médicas de dermatologia, e todas foram organizadas em diretórios específicos separando cada uma por categoria para facilitar o processamento.

3.1.1 Pré-processamento de Imagens

A figura 1 mostra o pré processamento das imagens que é uma etapa importante para a análise, garantindo que todas as imagens estejam em um formato adequado como 224×224 pixels , que é o tamanho de entrada padrão esperado pelo VGG16 .A normalização dos valores dos pixels é também importante para a faixa [-1,1] ,prática comum no treinamento de redes neurais, isso pode ajudar a acelerar o processo de treinamento, pois redes neurais tendem a treinar mais eficientemente quando os valores de entrada estão em uma faixa limitada e equilibrada. Utilizando a função ‘preprocess_input’ da biblioteca tensor ‘TensorFlow’, levando em conta que todos os processos têm uma mensagem de verificação de erro, onde se algo falhar, será exibido no console.

3.1.2 Extração de características

A figura 2 mostra uma função “extract_features” que extrai as características da imagem usando o modelo VGG16, com representações de alto nível, capturando informações essenciais que vão ser usadas para a comparação. A imagem é passada pelo modelo para obter uma previsão das variâncias e após isso, são achatadas em um vetor 1D para afim de facilitar o cálculo da similaridade.

3.1.3 Cálculo da similaridade

A figura 3 ilustra um método chamado “calculate_cosine_similarity”, que é uma métrica frequentemente utilizada para medir a similaridade entre dois vetores, avaliando o cosseno do ângulo entre dois vetores no espaço vetorial, indicando quão alinhados ou próximo estão em termos de direção. É muito usada em tarefas de processamento de linguagem natural e visão computacional, a ideia desse processo é avaliar o quão parecidos são ambos os vetores independentes de sua magnitude. Assim permite a comparação e a identificação de padrões semelhantes. 

O cálculo do produto escalar entre os dois vetores de características é realizado através da linha dot_product = np.dot(feature1, feature2), que computa a soma dos produtos dos elementos correspondentes de cada vetor. Em seguida, as normas (ou magnitudes) dos vetores são determinadas pelas linhas norm1 = np.linalg.norm(feature1) e norm2 = np.linalg.norm(feature2), onde a norma é a raiz quadrada da soma dos quadrados de seus elementos. Finalmente, a similaridade cosseno é calculada dividindo o produto escalar pelo produto das normas dos vetores (similarity = dot_product / (norm1 * norm2)). O valor resultante indica o grau de similaridade entre os vetores, variando entre -1 e 1, onde 1 representa vetores idênticos em direção e -1 indica que eles são opostos.”

3.1.4 Carregamento e Pré-processamento de Imagens em Massa

A figura 4 mostra a função ‘load_images_from_folder’ que serve para carregar e pré-processar as todas as imagens de lesões contidas em um diretório especificado. Ela cria uma lista vazia chamada ‘Images’ para guardar as imagens carregadas, em seguida utiliza

‘os.listdir(folder_path)’ obtendo uma lista de todos os arquivos no diretório e iterar sobre cada arquivo. Para cada um, constrói o caminho completo da imagem (‘img_path’) e utiliza a função ‘load_and_preprocess_image’ para carregar e processar redimensionando-a para 224×224 pixels, convertendo-a para um array .Caso a imagem seja carregada com sucesso , ela é adicionada à lista de imagens carregadas e pré-processadas , sinalizando que estão prontas para serem usadas pelo modelo de rede neural.

3.1.5 Carregamento e Pré-processamento da imagem suspeita

     A função load_and_preprocess_image apresentada na figura 5, é chamada para carregar e pré-processar a imagem da lesão suspeita. Este passo é muito importante para garantir que a imagem não esteja fora do formato correto para ser analisada pelo modelo de rede neural (VGG16). Caso a imagem não possa ser carregada, uma exceção é levantada interrompendo o processo e evitando possíveis erros na análise.

Em seguida, a figura 6 mostra o código carregando o modelo VGG16 pré-treinado para que as saídas desejadas sejam as mesmas extraídas da penúltima camada totalmente conectada(‘fc1’).Este ajuste é feito para que o modelo possa ser utilizado como um extrator de características, capturando informações visuais detalhadas. Após o carregamento do modelo, as características da imagem suspeita são extraídas usando a função extract_features. Esse vetor de características servirá como base para a comparação com as características extraídas das outras imagens (malignas e benignas).

A função find_most_similar_image da figura 7 é o núcleo do processo de comparação. Ela começa carregando as imagens categorizadas como malignas e benignas, utilizando a função load_images_from_folder, e então itera sobre todas elas para calcular a similaridade entre cada imagem e a imagem suspeita. Durante essa interação, a função calcula a similaridade cosseno entre as características da imagem suspeita e cada imagem no banco de dados. A imagem com a maior similaridade é identificada, e a categoria dessa imagem (maligna ou benigna) é armazenada. Ao final da iteração, a função calcula a porcentagem de similaridade da imagem mais próxima e imprime o resultado, indicando se a imagem suspeita é mais semelhante a uma imagem maligna ou benigna.

4-RESULTADOS

Nesta seção, foram apresentados os resultados obtidos com a execução do código desenvolvido.

4.1 Resultados Obtidos com a Imagem Suspeita

   Após a execução do código, o sistema processou a imagem suspeita (Imagem 9) e comparou-a com as imagens de referência, que estavam na pasta categorizadas como malignas ou benignas (Imagem 10). A imagem suspeita passou pelo processo de pré-processamento, onde foi redimensionada e normalizada, conforme descrito nas seções anteriores. Em seguida, o modelo VGG16 foi utilizado para extrair as características dessa imagem.

 Imagem 9 – Melanoma suspeito

Imagem 10 – Pasta com imagens de treino malignas e benignas

Fonte: ISIC ARCHIVE, 2024

A fim de facilitar a compreensão, desenvolvi um código a parte que ilustra as comparações feitas pela Inteligência artificial. Como observamos (Imagem 11) cada pixel é analisado pela máquina, evidenciando as principais características similares e apontando-as através de uma linha horizontal. O resultado do código mostra também como a imagem fica após ser tratada pelos métodos citados na imagem 11, lembrando que as tratativas no código principal descrito neste trabalho são mais rigorosas e assertivas. Este modelo é apenas uma demonstração de como a IA faz a comparação.

Imagem 11 – Pontos de similaridade

Fonte: própria, 2024

O código então comparou essas características com as características extraídas de cada imagem no banco de dados (malignas e benignas). O resultado mais relevante foi o cálculo da similaridade cosseno, que determinou a semelhança entre a imagem suspeita e as outras imagens.  Durante a comparação, o sistema analisou todas as imagens nas pastas de lesões malignas e benignas evidenciando cada iteração com elas e o tempo de realização. A imagem mais semelhante pertencia à categoria de lesões malignas, sugerindo que a imagem suspeita possui características mais próximas de uma lesão maligna como podemos observar (imagem 12 ).

Imagem 12 – Resultado da comparação

Fonte: própria,2024

Esse resultado fornece uma indicação crucial sobre a natureza da lesão cutânea analisada. A precisão e a alta similaridade encontrada sugerem que o sistema desenvolvido pode ser uma ferramenta útil no auxílio ao diagnóstico precoce de câncer, permitindo que médicos e profissionais de saúde identifiquem rapidamente se uma lesão é potencialmente maligna ou benigna.

5 CONCLUSÃO

O objetivo desta pesquisa foi desenvolver um sistema para a detecção precoce de melanoma utilizando técnicas de aprendizado de máquina, especificamente por meio do modelo de rede neural convolucional VGG16. A ferramenta proposta visa auxiliar médicos e profissionais de saúde na identificação de lesões cutâneas malignas e benignas, comparando imagens suspeitas com um banco de dados previamente categorizado. A questão central da pesquisa é se o aprendizado profundo pode efetivamente contribuir para o diagnóstico precoce de melanoma e foi respondida de forma positiva, conforme demonstrado pelos resultados obtidos.

O trabalho mostrou que o sistema criado consegue diferenciar se a imagem em questão tem lesões malignas ou benignas, com base nas extrações das características visuais no modelo VGG16 que também podem ser usadas para classificações de vários tipos de imagens e não apenas de melanomas como é o seu foco. A utilização do cosseno de semelhança comprovada será útil na avaliação das características, permitindo uma análise confiável, onde a rapidez  na detecção de melanomas pode ser garantida para o sucesso do tratamento e a sobrevivência dos pacientes.

O trabalho se destaca em um contexto de utilização de técnicas de aprendizado de máquina na área da saúde, contribuindo para aplicação redes neurais convolucionais pré-treinadas. Uma das principais vantagens do sistema criado, reside em sua habilidade de empregar uma máquina para executar de maneira ágil o planejamento de remoção de recursos, tarefa que seria demorada se realizada manualmente. Isso também torna uma opção econômica e viável para ser usada em ambientes clínicos com recursos limitados.

 No entanto, uma desvantagem em relação a outros trabalhos existentes é a dependência do modelo VGG16 pré-treinado, que, embora eficaz, pode não capturar todas as nuances específicas de lesões cutâneas complexas que não estavam presentes no conjunto de dados original de treinamento. Além disso, a similaridade cosseno, enquanto útil, pode não ser a métrica ideal para todos os tipos de variações nas imagens, especialmente em casos em que as lesões apresentam características muito sutis e particulares.

 O programa desenvolvido tem um potencial significativo para ser aplicado em ambientes clínicos como uma ferramenta de apoio ao diagnóstico. Ele pode ser integrado em fluxos de trabalho médicos para oferecer uma segunda opinião automatizada, ajudando médicos a tomar decisões mais estratégicas com base em análises. No entanto, para maximizar sua eficácia, recomenda-se um maior volume e variação do banco de dados de imagens ,incorporando uma quantidade maior de lesões e condições de pele para treinar e validar o modelo.

REFERÊNCIAS BIBLIOGRÁFICAS

ALPAYDIN, E. Machine Learning: The New AI. MIT Press, 2016. Acesso em: 17 abr. 2024.

BISHOP, C. M. Pattern Recognition and Machine Learning. Springer, 2006. Acesso em: 17 abr. 2024.

ESTEVA, A. et al. Dermatologist-level classification of skin cancer with deep neurais networks. Nature, v. 542, n. 7639, p. 115-118, 2017. https://doi.org/10.1038/nature21056 Acesso em: 25 maio. 2024.

FEMAMA. Diagnóstico precoce garante cura de 95% dos casos de câncer de mama. Disponível em:

https://www.febrasgo.org.br/pt/noticias/item/1511-diagnostico-precoce-garante-cura-de-95-dos-c asos-de-cancer-de-mama. Acesso em: 17 abr. 2024.

INCA. O crescimento dos casos de câncer no Brasil é preocupante. Disponível em:

https://www.dbmolecular.com.br/artigo/crescimento-dos-casos-de-cancer-no-brasil-e-preocupant e. Acesso em: 17 abr. 2024.

JINKU, Hu. Tutorial NumPy – Array Ndarray Multidimensional NumPy. DelftStack, 2021. Disponível em:https://www.delftstack.com/tutorial/python-numpy/numpy-ndarray/. Acesso em: 17 abr. 2024.

JORDAN, M. I.; MITCHELL, T. M. Machine learning: Trends, perspectives, and prospects. Science, v. 349, n. 6245, p. 255-260, 2015. Acesso em: 17 abr. 2024.

KRIZHEVSKY, A.; SUTSKEVER, I.; HINTON, G. E. ImageNet classification with deep convolutional neurais networks. Communications of the ACM, v. 60, n. 6, p. 84-90, 2012. https://doi.org/10.1145/3065386 Acesso em: 20 maio. 2024.

LeCUN, Y.; BENGIO, Y.; HINTON, G. Deep learning. Nature, v. 521, n. 7553, p. 436-444, 2015. https://doi.org/10.1038/nature14539 Acesso em: 25 maio. 2024.

MURPHY, K. P. Machine Learning: A Probabilistic Perspective. MIT Press, 2012. Acesso em: 17 abr. 2024.

RUSSELL, S.; NORVIG, P. Artificial Intelligence: A Modern Approach. 3rd ed. Pearson, 2016. Acesso em: 17 abr. 2024.

SIMONYAN, K.; ZISSERMAN, A. Very deep convolutional networks for large-scale image recognition. International Conference on Learning Representations (ICLR), 2015. Disponível em: http://arxiv.org/abs/1409.1556. Acesso em: 17 maio. 2024.

SZEGEDY, C. et al. Going deeper with convolutions. Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition (CVPR), p. 1-9, 2015. https://doi.org/10.1109/CVPR.2015.7298594 Acesso em: 25 maio. 2024.

TURING, A. M. Computing machinery and intelligence. Mind, v. 59, n. 236, p. 433-460, 1950. Acesso em: 17 abr. 2024.

De Sa, J. R. C.; Borges, M. M. Inteligência Artificial: Aplicações e Impactos em Diversas Áreas. RSD Journal, v. 12, n. 5, p. 1-10, 2023. DOI: 10.33448/rsd.v12i5.40856.  Acesso em: 26 set. 2024.

¹Renan Oliveira de Carvalho. Graduando do Curso de Engenharia de computação da Universidade de Araraquara -UNIARA. Araraquara-SP. E-mail: renanocarvalho4@gmail.com ORCID :  https://orcid.org/0009-0007-1299-0311

²João Henrique Gião Borges. Orientador. Docente do Curso de Engenharia de Computação e Sistemas de Informação da Universidade de Araraquara -UNIARA. Araraquara-SP. E-mail: jhgborges@uniara.edu.br  ORCID : https://orcid.org/0000-0003-2909-7611

³André Luiz da Silva. Coorientador. Docente do Curso de Engenharia de Computação e Sistemas de Informação da Universidade de Araraquara- UNIARA. Araraquara-SP. E-mail: alsilva@uniara.edu.br ORCID: https://orcid.org/0000-0003-1646-1744

⁴Fabiana Florian. Coorientadora. Docente do Curso de Engenharia de Computação e Sistemas de Informação da Universidade de Araraquara- UNIARA. Araraquara-SP. E-mail: fflorian@uniara.edu.br ORCID: https://orcid.org/0000-0002-9341-0417

Emerson Charles do Nascimento Marreiros¹
Esrom José Galvão do Nascimento²

   Resumo

O problema de planejamento de caminhos tem sido estudado há muito tempo. Nesta nota, determinamos analiticamente e computacionalmente a estrutura para a fronteira do Diagrama de Voronoi em um determinado caso não linear (formato de obstáculo): um obstáculo circular e dois pontos geradores. Avaliamos e mostramos as equações que determinam a fronteira e o pseudocódigo para a solução computacional. Como solução analítica, encontramos as equações cujo zero é o ponto da fronteira. Como Solução computacional, usamos o método Newton-Raphson. Além disso, traçamos a fronteira em alguns casos diferentes, alterando os seguintes parâmetros: centro do círculo e a localização dos pontos geradores.

Palavras-chaves: Diagrama de Voronoi, Obstáculo Circular, Planejamento de Caminho.

1.   Introduction

The Voronoi diagram is widely studied since 1854, [1]. In the two dimensional case it can be intuitively defined as: given a finite set of points in _R², that can be called generating points, the Voronoi diagram of these points is a collection of regions, each one related to a generating point. All points that lie inside one region are closer to its generating point than to any other generating point. Also, the points that belong to the boundaries between two regions have the same distance from their generating points.

Many applications of Voronoi diagram can be found in the literature. In [2] the authors present the allocation problem in a heterogeneous space Voronoi diagram and this work also offers a good survey on allocation problems using Voronoi diagrams. An application in deep learning models in biomedicine can be found at [3]. In [4] Voronoi diagram is used to predict travel time. Another application that appears in [5] uses Voronoi diagram for internet of things. Also an application towards cost-effective 3D printing can be seen in [6].

Another field of application which is very important and actual is related to path planning as can be seen in [7], [8], [9], [10], [11]. In the literature it is not uncommon to find results about Voronoi diagram with poligonal obstacles or without obstacles. All the cited articles deal with the obstacles using approximations, which can be its convex hull, for example. Approximations of the obstacles are commonly used however, according to [12], a good approximation of an obstacle can be computationally expensive.

In this work a motivational example is described in order to show an application for this work. Figure 1 displays the situation with a circular obstacle to which the proposed algorithm of this work has been constructed. In war times, the mankind develops many tools and solutions for problems that have not yes been produced. Our motivational problem correspond to one application for the Voronoi diagram frontier in a war situation. We can think about one application for our result as been the best choice for a humanitarian corridor, which means to choose a corridor where refugees can go out from a city with the most safe way into a war. Such corridor is represented by the Voronoi diagram frontier. The generating points represent the location of the closest enemies from the humanitarian corridor. In this situation, the goal for the refugees can be considered to take on the minimum possible risk which means to walk over the Voronoi diagram frontier. Such way leaves the refugees over points with the same distance for the generating points. Initially, the refugee must run to the Voronoi diagram frontier. Due to the existence of the obstacle, the Voronoi diagram frontier of this work has nonlinear components (see Section 3.1).

In this note we present the algorithm that builds the frontier of Voronoi diagram with two generating points and a circular obstacle. It is important to explicit the frontier between two generating points with a circular obstacle between them because it gives the benefit to know where to move aiming at staying at the same distance of both, which configures a path planning problem. The definition of a Voronoi diagram edge, can be found in [13]. The set of all edges of Voronoi diagram correspond to the its frontier in this note.

The first contribution presented is making explicit the coordinates of the points of interest, which means having their exact location, avoiding the use of approximations. The second contribution is the algorithm that uses the distances between the points of interest and its derivatives in the Newton-Raphson method in order to generate as many points of the Voronoi diagram frontier adressed in this work as one wants. The third contribution is the frontier itself.

2. Material and Methods

Inordertosolvetheproposedproblem,theexactcoordinatesofthemainpointsQ₁,Q₂,Q₃,Q₄,Q₅,Q₆ and D were calculated. After that, the distances between these points were computed and also their derivatives.

With all the calculations done, they were put at the proposed algorithm. As the Voronoi diagram frontier of this work is not linear, the algorithm uses the Newton Raphson method in order to compute the frontier points. The algorithm was used to solve an instance of the motivational example of humanitarian corridor. The solution gives the frontier of Voronoi diagram which is also the path that has to be made aiming at staying at the same distance from the two generating points which at the example represent the closest enemies.

3. Theory and Calulations

3.1. Graphical representation and coordinates

The Figure 1 shows the main points that are used to determine the Voronoi diagram frontier.

A = (0,a) and B = (0,b) are the generating points and the point C = (c,0) is the center of the circular obstacle with the following constraints a > 0,b < 0,−b > a and 0 < c < 1. The coordinates ofQ₂ are such that the line segmentCQ₂ is orthogonal to the line segment AQ₂. In the condition that we do not have obstacle the frontier of the Voronoi diagram is the line A = (0,a) and B = (0,b) are the generating points and the point C = (c,0) is the center of the circular obstacle with the following constraints a > 0,b < 0,−b > a and 0 < c < 1. The coordinates ofQ₂ are such that the line segmentCQ₂ is orthogonal to the line segment AQ₂. In the condition that we do not have obstacle the frontier of the Voronoi diagram is the line which is the bisector of points A and B. However, in our case many points of the frontier are out of this line. When an object or a person is making a path over the bisector of points A and B going towards the obstacle, there is a last point over the bisector that belongs to the Voronoi frontier and in this work this point is named D.

Taking E = (x,y) as a point at the frontier, the coordinates of Q₃ and Q₄ are such that line segments EQ₃ and EQ₄ are orthogonal to line segments CQ₃ and CQ₄ respectively. Finally, the coordinates of Q₅ are such that BQ₅ is orthogonal to Q₅C. The point Q₁ will be used in the future in order to determine the frontier of the right side of the obstacle. Besides, the points Q₁,Q₂,Q₃,Q₄ and Q₅ are over the circle. In addition they are important to find the points over the frontier.

Figure 1: Main points – frontier of Voronoi diagram

In the next subsections, some propositions are announced and their demonstrations are at the appendix A.

3.1.1. Coordinates of Q₁ and Q₂

Proposition 1. The coordinates of Q₁ and Q₂ are:

where

3.1.2. Coordinates of D

Proposition 2. The coordinates of D are:

In this situation the obstacle is in between the points E and B.

3.1.3. Coordinates of Q₃ and Q₄

Proposition 3. Take E = (x,y) the coordinates of Q₃ and Q₄ are:

for

3.1.4. Coordinates of Q₅ and Q₆

The pointsQ₅ andQ₆ belong to the circular obstacle and their coordinates are such that BQ₅ is orthogonal to CQ₅ and BQ₆ is orthogonal to CQ₆.

Proposition 4. The coordinates of Q₅ and Q₆ are:

3.2. Distances

This Subsection brings the distances between the main points presented in figure 1, which are calculated using the coordinates given in Subsection 3.1. Some functions are used in this Subsection in order to shorten the equations that arise in the distances’ calculation.

3.2.1. Functions

As the functions are going to be used from the second distance that appears in this Section onwards, they are all displayed below.

3.2.2. Computation of the euclidean distance between A and Q₂.

Proposition 5. The distance between the points A and Q₂ is:

3.2.3. Computation of the geodesic distance between Q₂ and Q₃.

Proposition 6. The distance between Q₂ and Q₃ is given by the length of the arc which is:

where θ₃−θ₂ can be calculated using

cos(θ₃−θ₂) = cosθ₃·cosθ₂+sinθ₃·sinθ₂,

3.2.4. Computation of the distance between Q₃ and E

As the obstacle does not come between points E and Q₃, it is possible to calculate the euclidean distance between them.

Proposition 7. The distance between the points Q₃ and E is given by

3.2.5. Computation of the distance between E and Q₄

Proposition 8. The euclidean distance between the points E e Q₄ is given by:

3.2.6. Computation of the geodesic distance between Q₄ and Q₅

Proposition 9. The geodesic distance between Q₄ and Q₅ is given by the length of the arc

This distance is used when the obstacle is in between the points E and B, that is, from the point E it is not possible to have direct access to point B. In this situation it is also necessary to compute the distance between Q₅ and B.

Proposition 10. The distance between Q₅ and B is given by:

Now, we write about the points E from the frontier. In fact, when we will to show the points of the frontier, we will display a finite number of points denoted by E_i = (x_i,y_i) where x_i is given by:

x_i = x₀+ih                                                                   (18)

for a determined i, and h is the length of the step when moving the x-coordinate from the points E_i on the x axis towards the obstacle. Therefore the value x_i of the abscissa of E_i will always be known. In order to evaluate the values for the y-coordinate from E_i we look the points over the line x = x_i which can be defined by P_i = (x_i,y), our goal will be the value for y that belong to the frontier, which means the values y_i. Once the value of x_i is known and the distances d(Q₃,P_i) e d(P_i,Q₄) are non linear, a numeric method can be used in order to compute the value of y_i. Thus, d(Q₃,P_i) and d(P_i,Q₄) can be written as:

3.3. Derivatives Computations

InthisSubsectionthederivativesofthedistancesarepresentedandalsosomefunctionsthat will shorten the derivatives in order to simplify the expressions that will be used in the algorithm of Section 3.4. As the points of the frontier of the Voronoi diagram are equidistant, in order to find the coordinates of the points of its frontier, the point P_i = (x_i,y) has to “move” towards the generator points A or B. Taking a look at Figure 1, the point D is the last point from which it is possible to have direct access to points A and B, meaning that the obstacle does not get in the way between D and A or D and B. On the other hand, if the point P_i = (x_i,y) is at a coordinate on the right of point D considering the x axis, there are two cases to consider: P_i has direct access to point B or not. These situations are described and analyzed below.

First situation: the point P_i doesn’t have direct access to point A

In this situation, the geodesic from P_i to A is the sum of the distance from P_i to Q₃ which belongs to the obstacle (circle) plus a distance fromQ₃ towards the pointQ₂, which corresponds to the size of the arc between these points and finally plus the distance from Q₂ to A. On the other hand, P_i has direct access to B. The values of A = (0,2),B = (0,−5) and C = (0.5,0) can be used as an example of this situation. As the Voronoi frontier points are at the same distance from generation points A and B, D(P_i) can be represented as:

D(P_i) = d(A,Q₂)+d(Q₂,Q₃)+d(Q₃,P_i)−d(P_i,B).                      (19)

The Figure 2 shows this situation

Figure 2: Geodesic distances: d(A,P_i) =d(P_i,B)

Second situation: the point P_i doesn’t have direct access neither to the point A nor to the point B.

The values of A = (0,1),B = (0,−1.3) and C = (0.5,0) can be used as an example of this situation. The calculation of the geodesic from P_i to B is analogous to that of the first situation. This geodesic is the sum of the distance from P_i to Q₄ plus the size of the arc from Q₄ to Q₅ plus the sum of the distance from Q₅ to B. So,

D(P_i)(y) = d(A,Q₂)(y)+d(Q₂,Q₃)(y)+d(Q₃,P_i)(y)−^£d(P_i,Q₄)(y)+d(Q₄,Q₅)(y)+d(Q₅,B)(y).

Figure 3: Second Situation

As the Newton-Raphson method is used to find the coordinate of the y axis for each x_i in P_i = (x_i,y), the derivatives of the distances related to situations 1 and 2 are needed.

Derivative related to the first situation

 D′(P_i)(y) = d′(A,Q₂)(y)+d′(Q₂Q₃)(y)+d′(Q₃,P_i)(y)−d′(P_i,B)(y)               (21)

Derivative related to the second situation:

D′(P_i) = d′(A,Q₂)(y)+d′(Q₂,Q₃)(y)+d′(Q₃,P_i)(y)−
−^£d′(P_i,Q₄)(y)+d′(Q₄,Q₅)(y)+d′(Q₅,B)(y)^¤                        (22)

Equations 19 and 21 are used when it’s the case of the first situation and equations 20 and 22 are used in the second situation. So, for each fixed value i and taking j as the index of the Newton Raphson iterations, with z₀ = y_i−1, the iterations are:

, for a fixed value of i.               (23)

After finishing the iterations for a fixed value of i, the last value of z_j is the value of y_i. Thus, the value of the coordinates of the point of the Voronoi frontier E(x_i,y_i) related to a specific value of i are known.

3.4. Algorithm

At the beginning of this Subsection the main parts of the algorithm are explained. After that, the algorithm to find points belonging to the frontier of the Voronoi diagram addressed in this work is presented.

3.4.1. Initialization

The initialization part of the algorithm is at lines 1 to 13. The values of a,b and c are setted up.

In the algorithm, two point-set problems need to be answered. Considering the line that pass by the points B and Q₅, the first point-set problem consists on knowing if a determined point is below this line (which in the algorithm is represented by the test of line). The second pointset problem consists on to verify if a point is inside the circular obstacle (in the algorithm it is represented by the test of circle). Still in the initialization part, the equations for calculating the lambda,phi,x₀ and h values are provided.

3.4.2. First situation

The first situation is at instructions from line 19 to line 27 of the algorithm. Given the value of x_i, at the end of these instructions, the value of the y_i coordinate is obtained.

3.4.3. Second situation

The second situation is presented at instructions from line 28 to line 36 of the algorithm. Given the value of x_i, at the end of these instructions, the value of the y_i coordinate is obtained.

3.4.4. Tests

At lines from 40 to 43, two tests of set point problems are carried out over the boundary point that has just been generated. The first one, called test of line over (x,y), concerns on determine if the point (x,y) is above or below the line that connects the points B and Q₅ (see Figure 3) . The second one, assign as test of the circle over (x,y), concerns on determine if the point (x,y) is inside or outside from the circle (obstacle).

3.4.5. Stopping criterion

In the algorithm there is a stopping criterion when applying the Newton-Raphson method which consists of maximum number of iterations named max_iter or if the function is close to zero . This parameter is not greater than 5. This occurs because the algorithm converges rapidly.

4. Results and Discussions

In this paper the problem of finding the frontier of the Voronoi diagram with two generating points and a circular obstacle has been studied in light of an object that is moving towards the obstaclebutkeepingthesamedistancefromthegeneratingpoints. Inordertofindafinitenumber of points which describe the frontier, the coordinates of some specific points (main points) were defined and evaluated. After that, the values of the distances (sometimes the geodesic distances)werecalculated. Thesedistancesarefunctionsofonevariable y. TheNewthon-Raphson method was used in the algorithm, which implied the need of the derivatives from these distances.

The proposed algorithm, which generates several points of the Voronoi diagram frontier, uses all information from the previous Sections of this work. From the points generated by the algorithm it can be observed that the frontier has a curved aspect with an upward trajectory in relation to the axis of the ordinates. The Figure 4 has three subfigures, the left and middle ones relating to the first situation. The difference between these subfigures is that for different coordiantes of A and B the frontier may or may not touch the obstacle. The right subfigure is related to the second situation. The first and the second situations are described at 3.3. The blue part in the figures refers to the points at the middle line between the points A and B (at this blue part the frontier is still a line).

Figure 4

The results of this work can be used in self-driving car trajectories, self-driving robots and autonomous underwater vehicles trajectories which are some examples.

5. Conclusion

In this work it became clear how the frontier of the Voronoi diagram for only two points and a circular obstacle can be generated, solving the path planning towards the obstacle. The next step is either increase the number of points with only one circular obstacle or increase the number of circular obstacles and only two generator points. The problem with many obstacles and many points seems to be really a big challenge.

Appendix A. Demonstrations of Propositions from Section 3.2

Proposition 5 The distance between the points A and Q₂ is:

Demonstration:

Figure A.5: Distance between A and Q₂
Created by the author

In order to determine the euclidean distance between A and Q₂, the Pythagorean theorem is used.

 A = (0,a),C = (c,0) and r = 1.                                       (A.1)

The distanced(A,C) must be available in order to permit calculation of the distance d(A,Q₂).

Therefore:

Once the distance d(A,C) has been obtained, the Pytagorean theorem can be used again in order to determine the distance d(A,Q₂).

Proposition 6 The distance between Q₂ and Q₃ is given by the length of the arc

Demonstration: The functions sin(·) and cos(·) of θ₂ and θ₃ respectively, can be represented using the functions φ,λ and M_i, com i = 6,…,9:

Making the appropriate substitutions, equation 17 is found.

Proposition 7 The distance between the points Q₃ and E is given by:

Demonstration:

The coordinates of points Q₃ and E are, respectively:

Using functions M_i, with i = 6,…,9, the coordinates of M₃ can be rewritten as:

The norm of the vector EQ−−→₃ is the euclidean distance between the points Q₃ and E. Thus:

Proposition 8

The euclidean distance between the points E e Q₄ is given by:

Demonstration:

Given the coordinates of the points:

E = (x, y)

e

Rewriting the coordinates of Q₄ using the functions M_i, com i = 7,8,10,11,··· ,11. it becomes:

Right now, we have just demonstrated the distance between the points E and Q₄

Thus, we obtain:

Proposition 9 The geodesic distance between Q₄ and Q₅ is given by the length of the arc

Demonstration:

Proposition 10 The distance between Q₅ and B is given by:

Demonstration:

This proof is analogous to the proof of the distance between points A and Q2.

References

1. H. Brody, M. Rip, P. Vinten-Johansen, N. Paneth, S. Rachman, Map-making and mythmaking in broad street: The london cholera epidemic, 1854, Lancet 356 (2000) 64–8. doi:10.1016/S0140-6736(00)02442-9.
2. X. Feng, A. Murray, Allocation using a heterogeneous space voronoi diagram, Journal of Geographical Systems 20 (07 2018). doi:10.1007/s10109-018-0274-5.
3. F. J., S. W. R. J., B. M., A Voronoi Diagram-Based Representation of Ligand-Binding Sites in Proteins for Machine Learning Applications., 2021, pp. 299–312. doi:https://doi.org/ 10.1007/978-1-0716-1209-5_17.
4. K. Adhinugraha, D. Taniar, T. Phan, R. Beare, Predicting travel time within catchment area using time travel voronoi diagram (ttvd) and crowdsource map features, Information Processing & Management 59 (3) (2022) 102922. doi:https://doi.org/10.1016/j.ipm.2022.102922.URL https://www.sciencedirect.com/science/article/pii/S0306457322000462
5. S. Wan, Y. Zhao, T. Wang, Z. Gu, Q. H. Abbasi, K.-K. R. Choo, Multi-dimensional data indexing and range query processing via voronoi diagram for internet of things, Future Generation Computer Systems 91 (2019) 382–391. doi:https://doi.org/10.1016/j.future.2018.08.007.URL https://www.sciencedirect.com/science/article/pii/S0167739X18311956
6. A. Zheng, S. Bian, E. Chaudhry, J. Chang, H. Haron, L. You, J. Zhang, Voronoi diagram and monte-carlo simulation based finite element optimization for cost-effective 3d printing, Journal of Computational Science 50 (2021) 101301. doi:https://doi.org/10.1016/j. jocs.2021.101301.URL https://www.sciencedirect.com/science/article/pii/S187775032100003X
7. B. B. K. Ayawli, X. Mei, M. Shen, A. Y. Appiah, F. Kyeremeh, Mobile robot path planning in dynamic environment using voronoi diagram and computation geometry technique, IEEE Access 7 (2019) 86026–86040. doi:10.1109/ACCESS.2019.2925623.
8. S. Sedighi, D.-V. Nguyen, P. Kapsalas, K.-D. Kuhnert, Implementing voronoi-based guided hybrid a in global path planning for autonomous vehicles, in: 2019 IEEE Intelligent Transportation Systems Conference (ITSC), 2019, pp. 3845–3852. doi:10.1109/ITSC.2019.8917427.
9. J. Hu, H. Niu, J. Carrasco, B. Lennox, F. Arvin, Voronoi-based multi-robot autonomous exploration in unknown environments via deep reinforcement learning, IEEE Transactions on Vehicular Technology 69 (12) (2020) 14413–14423. doi:10.1109/TVT.2020.3034800.
10. K.-C. Huang, F.-L. Lian, C.-T. Chen, C.-H. Wu, C.-C. Chen, A novel solution with rapid voronoi-based coverage path planning in irregular environment for robotic mowing systems, International Journal of Intelligent Robotics and Applications 5 (12 2021). doi: 10.1007/s41315-021-00199-8.
11. Y. Shi, L. Zhang, S. Dong, Path planning of anti ship missile based on voronoi diagram and binary tree algorithm, Defence Science Journal 69 (4) (2019) 369–377. doi:10.14429/dsj.69.14062.URL  https://publications.drdo.gov.in/ojs/index.php/dsj/article/view/ 14062
12. H. Alt, O. Cheong, A. Vigneron, The voronoi diagram of curved objects, Discrete & Computational Geometry 34 (2005) 439–453. doi:10.1007/s00454-005-1192-0. URL https://doi.org/10.1007/s00454-005-1192-0
13. A. Dobrin, A review of properties and variations of voronoi diagrams.

¹Mestre em Modelagem Matemática e Computacional pela Universidade Federal da Paraíba – UFPB.
ORCID: http;//orcid.org/0009-0006-0374-7056

²Graduando-se em Bacharelado em Sistemas de Informação pela Faculdade UNINASSAU-Polo Parnaíba-PI.
ORCID: http;//orcid.org/0009-0004-2561-3118

Vinicius De Souza Santos

Abstract. The global prevalence of diabetes is increasing at an alarming rate, making early and accurate detection a critical area of interest. This study employs Machine Learning techniques to predict the incidence of diabetes in a population of women from the Pima heritage, known for their predisposition to the disease. Using a database of diagnostic measures, multiple algorithms were applied, including Support Vector Machines (SVM), Artificial Neural Networks (ANN), K-Nearest Neighbors (KNN), Decision Trees, and Random Forest, to develop predictive models. Principal Component Analysis (PCA) was implemented for dimensionality reduction and highlighting of key diagnostic variables, optimizing algorithm performance. The results highlighted the superiority of the Random Forest, which showed higher accuracy and precision, suggesting its viability as a clinical diagnostic tool. This study contributes to the emerging field of artificial intelligence applications in health, providing valuable insights for the prevention and early treatment of diabetes.

Keywords: Machine Learning, Diabetes, Principal Component Analysis, Random Forest.Translating your introduction into English while adhering to the formal and academic style:

Introduction

Diabetes has become one of the greatest threats to global health, with its prevalence alarmingly increasing over the past few decades [1] [2]. It is estimated that by 2045, over 700 million people will be affected by the disease, highlighting the urgency to develop effective strategies for its prevention and treatment [3]. Despite advances in medicine, early detection of diabetes remains a significant challenge, and such detection is crucial for preventing severe complications and improving the quality of life for patients, evidencing a critical gap in disease control [4].

In this context, the application of machine learning algorithms emerges as a promising approach to enhance diabetes prediction and diagnosis [5]. These advanced techniques offer the unprecedented capability to analyze vast volumes of clinical data, detecting hidden patterns that may signal the onset of the disease well before symptoms manifest [5]. In particular, this study assesses the effectiveness of different machine learning algorithms, including Artificial Neural Networks, Support Vector Machines, K-Nearest Neighbors, Decision Trees, and Random Forest. The selection of these algorithms was based on their proven efficacy in classification tasks in medical domains according to Paix˜ao et al. (2022)[7], as well as their ability to handle high-dimensional and complex data [7]. The comparative methodology adopted aims not only at evaluating the accuracy of these models but also their generalization capability in different clinical contexts.

However, it is imperative to recognize that, despite their immense potential, machine learning models are not perfect and are susceptible to errors [6]. Cardozo, (2022)[5] addressed that the effectiveness of these algorithms intrinsically depends on the quality of data, the precision of the models, and the appropriateness of the algorithm choice for the specific task at hand. Consequently, this study not only applies these tools but also proposes a methodological framework to continuously enhance their accuracy and reliability. Ongoing research and multidisciplinary collaboration will be key to optimizing the applicability of these algorithms in the healthcare field, ensuring they contribute positively to the early diagnosis and effective management of diabetes[5].

This study distinguishes itself by employing a quantitative research approach, focusing on the direct comparison method with multiple machine learning algorithms to identify the most effective method. The outcomes of this study are expected to have a significant practical impact, offering valuable insights for improving clinical practices in the diagnosis and treatment of diabetes, as well as informing the development of more effective public health policies. The application of machine learning for diabetes diagnosis has the potential to revolutionize how the disease is detected and managed.

Diabetes

Diabetes mellitus, commonly referred to as diabetes, is a chronic metabolic disease characterized by persistent hyperglycemia, i.e., elevated blood glucose (sugar) levels [49]. This condition arises due to a deficiency in the production or action of insulin produced by the pancreas, a hormone essential for glucose metabolism [51]. The specific diagnostic criteria include fasting blood sugar, postprandial glucose tolerance, or random blood sugar levels. Symptoms of diabetes may include excessive thirst, frequent urination, fatigue, and weight loss [50].

However, in the historical and theoretical context of diabetes, it is observed that in the first half of the 20th century, diabetes mellitus manifested in children and adolescents in various ways [52]. A significant portion of patients presented with acute symptoms such as polyuria, polydipsia, dehydration, and ketosis, with rapid deterioration of clinical status, requiring insulin administration to reverse the condition [52]. However, cases were also observed where the disease presented more insidiously and often without ketosis association [53]. These less acute cases, which constituted a minority, did not require insulin therapy for survival in the initial stages of the disease.

There are several types of diabetes, with the most common in medicine being Type 1, Type 2, and gestational diabetes [55]:

• Type 1 Diabetes: An autoimmune condition where the immune system attacks and destroys the beta cells of the pancreas, which are responsible for insulin production. Without sufficient insulin, glucose accumulates in the bloodstream instead of being used as energy. This type usually manifests in childhood and adolescence but can also be diagnosed in adults. Treatment requires insulin administration, dietary planning, and physical activities [55].
• Type 2 Diabetes: In type 2 diabetes, the body exhibits resistance to insulin’s action or does not produce enough insulin to maintain a normal blood glucose level. It is the most common type, which can be managed, in many cases, with physical activities and dietary planning. In other cases, it may require the use of medications or insulin [55].
• Gestational Diabetes: Occurs during pregnancy when there is an increase in blood glucose levels, and the body cannot produce enough insulin to transport all the glucose into the cells, resulting in hyperglycemia. It can cause complications for both mother and baby if not managed properly [55].

In type 1 diabetes, the immune system attacks and destroys the insulin-producing beta cells in the pancreas. In contrast, type 2 diabetes involves a combination of insulin resistance and a relative deficiency in its secretion [55]. Figure 1 illustrates the difference between a healthy individual and someone with type 2 diabetes. In a healthy person, insulin secreted by the pancreas after eating helps glucose enter cells to be used as energy [54]. However, in type 2 diabetes, the body’s cells do not respond properly to insulin (insulin resistance), and glucose cannot effectively enter cells, resulting in hyperglycemia [54]. Figure 1 illustrates this process, showing the insulin receptors not functioning correctly, preventing glucose from entering cells.

Fig.1. Comparison between glucose uptake in healthy individuals and those with type 2 diabetes, highlighting insulin function and the mechanism of insulin resistance. Source: adapted from [54].

Figure 1 clearly shows the normal functioning of the pancreas and the action of insulin in cells in a person without diabetes, compared with the dysfunction observed in type 2 diabetes, where insulin is not able to facilitate the entry of glucose into cells, leading to hyperglycemia. This understanding is crucial for the treatment, management, prevention, and education about diabetes.

Machine Learning

Machine learning (ML), a critical area of computer science, operates at the confluence of mathematical and statistical techniques with computational algorithms to identify patterns and make predictions [8]. In the medical field, ML advances beyond traditional rule-based expert systems by processing a substantial volume of variables in search of new predictive combinations [8]. The era of big data, characterized by the ”3 Vs” model — large volume, high velocity, and a wide variety of information — challenges traditional data management tools with its enormous volume, high speed, and varied range of information, requiring innovative processing techniques [9].

The process of creating an ML algorithm, illustrated in Figure 2, consists of three phases: preprocessing, training, and evaluation. Initially, data are organized, the research question is formulated, and data are split into training and testing sets [7]. In the training phase, the learning can be supervised, with correctly classified samples, or unsupervised, where the algorithm learns without pre-defined labels [7]. In the final step, the model is tested and evaluated, establishing a mapping standard for the accurate and reliable classification of new data [7].

Fig.2. Phases for the development of machine learning algorithms. Source: [7]

It is essential that the development of ML algorithms be conducted on a consolidated and validated database, thus avoiding the generation of spurious results [7]. ML learning, whether supervised or unsupervised, is an iterative process of repeated observations. In supervised learning, the algorithm learns from labeled examples, while in unsupervised learning, the algorithm identifies patterns in the data without pre-defined labels. This process allows the algorithm to generalize information and accurately classify new datasets [7].

Machine Learning Applications in Medicine

Medicine is undergoing a transformation driven by the rapid advancement of machine learning (ML) techniques. The application of these techniques to medical practice has shown potential to revolutionize diagnosis, treatment, and disease prevention [10]. As the amount of data generated in the healthcare sector continues to grow exponentially, ML offers tools to efficiently analyze this data and extract valuable insights [11].

Figure 3 illustrates the increasing trend in the production of scientific literature related to ML in medicine, demonstrating a substantial rise in the number of articles published between 1951 and 2019, as indexed in PubMed and Medline. This growth reflects not only academic interest but also the practical potential of ML in medicine.

Fig.3. Annual publication count and total cumulative from 1951 to 2019 in the PubMed and Medline databases. Source: [7]

The applications of ML in medicine are vast and varied. They range from clinical decision support systems that assist healthcare professionals in choosing treatments based on patterns found in medical histories [12], to image processing algorithms that improve diagnostic accuracy in radiology [13].

Machine Learning (ML) algorithms have played a crucial role in predicting disease outbreaks, optimizing hospital resources, and developing new drugs. The effectiveness of ML techniques applied to time series and a collection of explanatory variables varies depending on the response variable used. In recent studies, predictions of new daily cases and deaths from Coronavirus in Brazilian cities have utilized characteristics such as temperature, air quality, humidity, and Google searches related to Covid-19 as covariates, combining them with historical information to better predict pandemic trends and direct appropriate interventions [15] [16].

However, despite the advances, the implementation of ML in medicine faces challenges, including the need for large annotated data sets, concerns about data privacy and security, and the importance of results interpretable by health professionals [17].

Therefore, the potential of ML in medicine is evident, but its effective application requires a multidisciplinary and collaborative approach involving physicians, data scientists, engineers, and health policy makers [7]. As we move forward, it is essential that ML tools are validated in clinical settings and align with best medical practices to ensure they complement – rather than replace – human expertise in healthcare delivery.

Machine Learning Techniques

Machine learning (ML) has transformed various areas of research and practical application, notably in the field of medicine, where ML techniques offer new perspectives for personalized diagnoses and treatments [11]. This study focuses on specific ML methods, each with its representative figure, to enhance the prediction and diagnosis of diabetes.

Artificial Neural Networks (ANNs) are inspired by the biological functioning of human neurons and were initially proposed by McCulloch and Pitts in 1943. This model, represented in Figure 4, consists of processing units connected by weighted links, whose weights are adjusted during training. An ANN ’learns’ by adjusting these weights to minimize the model’s prediction error. For instance, a study by Fonseca, Afonso Ueslei, et al. (2023) applied ANNs to identify patterns in medical images, facilitating early disease diagnosis [18].

Fig.4. Structure and operation of an artificial neural network. Source: [7]

Support Vector Machines (SVM) are a robust analytical model within machine learning, operating in both classification and regression. This technique, originally developed by Vapnik in 1995 [22], is distinguished by the strategic use of hyperplanes that act as decisive margins in separating classes within a dataset, as demonstrated in the representation of its hyperplane in Figure 5. The effectiveness of SVM lies in maximizing these margins, as intuitively understood that the greater the distance between parallel hyperplanes, the more accurate the model will be in predicting new instances [21].

Fig.5. Representation of a hyperplane in a given dataset. Source: [20]

In terms of practical application, a recent study conducted by Costa and Gouveia (2022) [19] exemplifies the potential of SVM in the healthcare area. In this research, SVM was applied to the prediction of Non-Communicable Chronic Diseases (NCDs), achieving a remarkable accuracy of 97%. This result not only underlines the competence of SVM in dealing with complex and high-dimensional data but also reinforces the technique’s relevance in scenarios where precise and reliable decisions are critical for health condition diagnosis and treatment.

The K-Nearest Neighbors (KNN) method is a powerful and intuitive machine learning technique for classification and regression. Proposed by Fix and Hodges in 1951 [24], this non-parametric method assigns the classification of a new example based on the most frequent classes among its k nearest neighbors. In KNN, the k closest data points to the example in question are identified, and classification is performed by majority voting among these neighbors, or, in the case of k=1, the example is simply assigned to the class of its nearest neighbor, as illustrated in Figure 6 below.

Fig.6. Example of classification with K-Nearest Neighbors (KNN), where k=1 indicates that the new example (marked with a question mark) is classified according to the class of its nearest neighbor. Source: [23]

This method is flexible with respect to the number of neighbors (k), allowing adjustments to improve classification accuracy. KNN has been successfully applied in various medical contexts, as demonstrated by Andr´e Oliveira (2016), who used KNN to classify types of diabetes based on clinical measurements [26]. More recently, KNN was employed with k=3 and the Weighted KNN variant, providing a refined ability to discern complex patterns in health data, which is crucial for implementing precise and personalized diagnoses [23].

Decision Trees, created by J. Ross Quinlan in 1983. Quinlan is also the author of the book ”Machine Learning,” published in 1983, which was one of the first books to present the concept of machine learning [28]. Decision Trees are predictive models that segment the data space into subsets based on logical decisions. A practical example is the work of Carvalho et al. (2015), who used decision trees to create clinical decision support systems for the diagnosis of type 2 diabetes [29].

Fig.7. Example of classification with a Decision Tree. Source: [27]

Random Forest, developed by Breiman in 2001, constitutes a significant advance in predictive analysis, particularly in the context of complex data classification. This method operates through the combination of multiple decision trees, each constructed from a random sample of the dataset, with the random selection of variables at each node division [60]. The essence of Random Forest lies in its ability to reduce the risk of overfitting—a common problem in complex machine learning models—while maintaining or even increasing predictive accuracy [60].

A notable aspect of Random Forest is its adaptability to different types of data and problem complexities, making it particularly effective in contexts where the relationships between variables are intricate and difficult to model with simplified linear or parametric approaches [61] [62]. The technique is based on the principle that a large number of relatively uncorrelated models (trees) working together can outperform the performance of any individual model, thus providing a powerful approach for classification and regression tasks [62].

The practical implementation of Random Forest involves training numerous decision trees on varied subsets of the dataset [60]. Each tree makes an independent prediction, and the final classification is determined through majority voting among all trees’ predictions [63]. This aggregation process, known as ”bagging,” contributes to Random Forest’s ability to generalize well to new data, avoiding overfitting while exploiting the diversity of the constituent trees [64].

Various studies have demonstrated the efficacy of Random Forest in a wide range of applications, from disease prediction in medical fields [19] [66] to modeling energy consumption patterns in urban environments, where the complexity and interaction between multiple variables challenge simpler models [65]. Random Forest’s ability to handle large volumes of data, its tolerance for missing data, and the ease of interpreting results contribute to its popularity and applicability across multiple knowledge domains.

Fig.8. Graphical representation of the functioning of Random Forest. Source: [61]

Figure 8 illustrates the essence of the Random Forest algorithm, emphasizing its collaborative and decentralized structure. Each individual tree in the forest performs an independent evaluation of an instance, based on a random sample of the data and a random subset of variables. The outcome of each tree is a prediction that, when combined through the majority voting process, leads to the final classification provided by the model. This mechanism not only improves prediction accuracy through the diversity and number of trees involved but also mitigates the risk of overfitting, as the likelihood of all trees making the same errors is reduced. The visual representation captures this concept, showing how individual trees contribute to the collective decision, exemplifying the ensemble approach that is central to Random Forest.

Principal Component Analysis (PCA) is a multivariate dimensionality reduction technique, crucial for the processing and analysis of high-dimensional data sets. Initially developed by Karl Pearson in 1901, this technique transforms a set of possible correlated variables into a set of values of linearly uncorrelated variables called principal components [30]. PCA is founded on the orthogonalization of the data space and the maximization of variance, which allows for data compression while retaining most of the original information—a benefit explored in the thesis work of Fernandes (2022) [69].

The first principal component is the direction in the data space that maximizes the variance of the data projections, while subsequent components are orthogonal to the previous ones and maximize the remaining variance. The technique is particularly useful in identifying patterns, eliminating redundancies, and interpreting complex data sets [31].

In the medical field, PCA has been applied for biomarker identification, visualization of complex diseases, and genomic analysis. For example, Porreca et al. (2021) used PCA to investigate the main factors influencing the effects of facial mask use on exercise performance during the COVID-19 pandemic. This application highlights how PCA can play a role in understanding multifactorial phenomena and directing public health measures [32].

Figure 9 associated with PCA typically shows the dispersion of data on the first two principal components, offering a clear visualization of data variability and how different groups can be discriminated based on these projections. The confidence ellipses around the clusters provide a visual understanding of the grouping and the statistical confidence that a sample belongs to a particular group.

Fig.9. Graphical representation of PCA showing three species of Iris flowers. The black dots indicate the centroids of each group. The ellipses around the samples were drawn with 95% confidence, illustrating PCA’s ability to discriminate between different biological categories. Source: [31]

This type of graphical representation is a powerful tool for initial data exploration, allowing researchers to identify natural groupings, outliers, and trends that may not be immediately apparent in high-dimensional data.

Data Mining, also referred to as Data Mining, constitutes an emerging interdisciplinary field, fueled by exponential growth in the capacity to store and organize massive data [33]. This evolution, stemming from advances in information technology, spurred the development of methods for extracting actionable intelligence from vast data repositories [34]. Thus, data mining is configured as a discipline that congregates statistical methods as demonstrated in Figure 10, machine learning principles, and pattern recognition techniques, to distill meaningful knowledge and discoveries from complex and multidimensional databases [34].

Fig.10. Diversity of Data Mining Source: [33]

Pioneers like Fayyad et al. (1996) coined the term Knowledge Discovery in Databases (KDD) to describe the end-to-end process of knowledge discovery, which starts with raw data and culminates in the use of derived insights for strategic decision-making [35]. The KDD process, consisting of a series of iterative and overlapping steps – including preprocessing, cleaning, integration, selection, transformation, the mining itself, evaluation, and finally, presentation – is outlined in various process models [33]. This model structures data mining as a sequence of logical steps, ensuring methodological rigor and replicability.

Fig.11. Processes of Knowledge Discovery in Databases (KDD) Source: [36]

Data cleaning, a crucial initial step, deals with incomplete, incorrect, or inconsistent data, preparing the set for subsequent analysis [37]. Techniques such as data imputation, outlier treatment, and normalization are employed to ensure data quality and reliability [37].

Effective data integration seeks consistency and coherence by bringing together information from multiple sources, such as text files, databases, images, and videos. This phase involves detailed data analysis to identify redundancies, dependencies between variables, and value conflicts [37]. After integration, the selection of data relevant to data mining techniques is performed, followed by data treatment, which may include transforming or consolidating the data into the most appropriate format for the data mining process [37]. This treatment may involve the generalization of detailed attributes and the normalization of data to fit within a specific range, as well as the construction of new attributes from existing ones, such as calculating BMI from weight and height variables [40].

In data mining, algorithm evaluation is crucial to ensure the reliability of the results obtained. Evaluation metrics such as accuracy, f1 score, precision, and the confusion matrix serve as key indicators of the performance of classification models [41]. Accuracy is a general measure of performance that calculates the proportion of correct predictions relative to the total number of cases, useful in balanced datasets [41]. The f1 score is a metric that considers both precision (the proportion of correct positive predictions relative to the total number of positive predictions) and recall (the proportion of correct positive predictions relative to the total number of actual positive cases), offering a balance between these two metrics, particularly in situations of class imbalance [42]. The confusion matrix, on the other hand, provides a detailed view of the model’s performance, representing the frequencies of true positives, true negatives, false positives, and false negatives, allowing for a more granular analysis of the type of errors made by the model [43]. These metrics are fundamental for the refinement and selection of models in Data Mining applications, ensuring that predictions are not only accurate but also applicable and interpretable in the context in which they will be used [41].

Supervised and Unsupervised Learning

Supervised and unsupervised learning are the pillars of the machine learning field, each serving distinct purposes and providing valuable insights from data.

In the context of Supervised Learning, the machine is trained with a known dataset, where both inputs and desired outputs are provided, allowing the model to establish a functional relationship between them [45]. Thus, the algorithm learns to map inputs to outputs, facilitating the prediction of results for new, unseen data. This process is described as either a classification or regression method, depending on the nature of the output variable – categorical for classification and continuous for regression [46].

Unsupervised Learning, on the other hand, operates without predefined answers, exploring the intrinsic structure of the input data. Here, the algorithm seeks to discover patterns, clusters, or underlying associations without any intervention or external labels [47]. This type of learning is crucial when the redundancy in the input data allows for the identification of regularities and, consequently, the formation of internal representations that autonomously categorize the data [47][45].

Figure 12 illustrates the diversity of applications and methods within Machine Learning, highlighting the importance of both supervised and unsupervised learning in advancing fields such as computer vision, targeted marketing, and the development of recommendation systems, all essential in the era of Big Data and Artificial Intelligence.

Fig.12. Applications of machine learning algorithms Source: [44].

It is important to note that both approaches have their advantages and limitations, and the choice between supervised and unsupervised often depends on the nature of the problem at hand and the availability and quality of data [44].

For the effective implementation of these techniques, understanding the relationship between data features and desired outcomes is fundamental, as is the ability to translate these relationships into accurate predictive models [48].

Practical Challenges in Implementing Machine Learning in Medicine

The integration of Machine Learning (ML) in the medical field, while promising, faces significant practical challenges that can impact its effectiveness and adoption. These challenges can be grouped into several main categories:

• Data Acquisition and Quality: The efficiency of ML algorithms is directly proportional to the quality and quantity of available data [33]. Obtaining large sets of annotated and reliable medical data is a complex task due to the sensitivity of the data and the need to protect patient privacy.
• Privacy and Data Security: Strict regulations on health data, such as HIPAA in the USA, GDPR in Europe, and LGPD in Brazil, pose significant challenges in using data for ML training without compromising patient privacy [56].
• Model Interpretability: The ’black box’ nature of ML algorithms can be an obstacle in medical practice, where understanding the ’why’ and ’how’ of predictions is crucial for trust and acceptance by healthcare professionals [57].
• Integration into Clinical Workflow: Integrating ML tools into the clinical environment requires an adaptation of the existing workflow, which may face resistance from healthcare professionals due to the learning curve or distrust of new technology [58].
• Variations Among Patients and Conditions: The genetic, behavioral, and environmental diversity of patients means that ML algorithms need to be extremely robust and capable of generalizing well across different subpopulations.
• Multidisciplinary Collaboration: The effectiveness of ML in medicine depends on collaboration between doctors, data scientists, software engineers, and other professionals, which can be challenging due to the different languages and approaches of each discipline.
• Continuous Update and Maintenance: ML models need to be continuously updated with new data to maintain their accuracy, which requires an ongoing commitment of resources and specialized knowledge.

Overcoming these challenges requires a multidisciplinary and collaborative approach, as well as a commitment to continuous education and the adaptation of clinical practices to responsibly and ethically incorporate technological advances.

Materials and Methods

Database

The database used in this study was acquired from the Kaggle repository, (2024), originally from the National Institute of Diabetes and Digestive and Kidney Diseases [59]. The dataset’s objective is to diagnostically predict whether a patient has diabetes, based on specific diagnostic measurements included in the dataset. All patients are female, at least 21 years of age, and of Pima Indian heritage. The database is publicly available under the CC0: Public Domain license [59].

Data Processing and Analysis

Data processing and analysis were essential for preparing the dataset for machine learning algorithms. The adopted methodology for data treatment followed a series of structured steps, ensuring data quality and reliability for subsequent predictive modeling.

Initially, the database, containing relevant medical measurements for diabetes diagnosis, was loaded and read. The database columns include the number of pregnancies, glucose levels, blood pressure, skin thickness, insulin, Body Mass Index (BMI), diabetes pedigree function, age, and the binary outcome indicating the presence or absence of diabetes.

During data loading, the presence of missing values, represented by the character ’?’, was identified. These were treated by replacing them with the average values of their respective columns, a standard statistical method that maintains the original distribution of data without introducing significant bias, as studied by Cardoso (2022) [67].

After correcting missing values, a normalization technique was applied to standardize the data scale. Two normalization approaches were used: Z-score normalization and Min-Max normalization. Z-score normalization transforms data to have a zero mean and one standard deviation, while Min-Max normalization rescales data to a [0, 1] range, where the column’s minimum and maximum values become 0 and 1, respectively. Each normalization approach has its set of advantages and is selected based on the specific requirements of the machine learning algorithm and the nature of the data, as discussed in the study by Maniezzo (2022) [68].

Furthermore, dimensionality reduction was performed using Principal Component Analysis (PCA). PCA is a statistical technique that converts a set of possible correlated variables into a set of values of linearly uncorrelated variables called principal components. This step is crucial as it reduces model complexity without losing significant information, which can improve computational efficiency and prevent the problem of overfitting when training machine learning models.

PCA visualization, through graphs, provided an intuitive understanding of data distribution and separation, allowing a preliminary analysis of how the data might be grouped or classified.

Machine Learning Algorithms Used

The machine learning algorithms used for the classification of medical data include:

• Support Vector Machines (SVM)
• Artificial Neural Networks (ANN)
• K-Nearest Neighbors (KNN)
• Decision Trees
• Random Forest

Before applying these algorithms, the database underwent a preprocessing process to ensure data quality and uniformity. This process included data normalization and splitting the data into a training set and a test set, using a 70:30 ratio, respectively. This approach ensures that the model is trained on a significant portion of the data while keeping a separate portion to test the model’s efficacy on previously unseen data.

After preprocessing, each algorithm was tuned and validated to achieve the best possible performance. Model selection was based on classification accuracy and the clinical relevance of the outcomes. To ensure a comprehensive and fair evaluation of each model, the following metrics were used:

• Accuracy: The proportion of correct predictions relative to the total number of cases.
• Precision: The proportion of correct positive predictions relative to the total number of positive predictions.
• F1-Score: The harmonic mean of precision and recall, providing a balance between these two metrics.
• Confusion Matrix: A table that allows visualization of the algorithm’s performance, including true positives, true negatives, false positives, and false negatives.

The goal of this evaluation is to identify the model that not only shows the highest accuracy but also effectively balances precision and recall capability, crucial for practical application in the medical field.

Support Vector Machines (SVM): An SVM classifier with a linear kernel was instantiated, which is suitable for data that are linearly separable. The gamma parameter was set to ’auto’, meaning the value of gamma is automatically calculated as 1/n features, and the C, which is the regularization parameter, was set to 3.0. A larger C can lead to a model with a smaller margin but may better fit the training data. The random state parameter was configured to ensure reproducibility in the results.

The SVM model was trained using the training dataset X train for attributes and y train for the corresponding labels.

After training, the model was used to make predictions on the test set X test.

The model’s performance was evaluated using various metrics. The accuracy (svm accuracy) provides the fraction of correct predictions, while the F1 Score (svm f1) is the weighted average of precision and sensitivity and provides a measure of precision and recall. The precision (svm precision) measures the proportion of positive identifications that were actually correct, and the confusion matrix (confusion matrix) offers a detailed view of the model’s performance, showing the frequencies of true positives, true negatives, false positives, and false negatives.

This translation maintains the technical detail and clarity of the original text, suitable for an academic and scientific English-speaking audience. If there are more sections you need help translating or specific adjustments required, please let me know.

Artificial Neural Networks (ANN): The application of the Artificial Neural Networks (ANN) algorithm for the classification model in the context of this research followed a systematic approach. The ANN was configured with two hidden layers, each containing 10 neurons, and the training iterated for a maximum of 1000 epochs. The choice of ANN architecture, including the number of hidden layers and neurons, is influenced by empirical considerations and the complexity of the problem under analysis. The selected architecture aims to capture the complexity of the data without incurring overfitting, aligned with the guidelines by Goodfellow et al. (2016) on the depth of neural networks [70].

The ANN was trained using the training set, consisting of the independent variables (X train) and the dependent variable (y train). The fit function of the scikit-learn’s MLPClassifier class was used to fit the model to the data, where the random state was set to ensure the reproducibility of the results.

After training, the ANN was used to make predictions on the test set (X test), resulting in a series of classifications that were compared to the true values (y test). The model’s evaluation was performed using various performance metrics, including accuracy, which measures the proportion of correct predictions; the F1 score (f1 score), which is the weighted average of precision and recall; precision (precision score), which evaluates the accuracy of positive predictions; and the confusion matrix (confusion matrix), which provides a detailed view of the model’s performance in correctly or incorrectly categorizing observations into their respective classes.

The accuracy of the ANN (rna accuracy) reflects the overall ability of the model to correctly classify instances. The F1 score (rna f1) is particularly useful in situations with imbalanced classes, as it takes into account both precision and recall. The weighted precision (rna precision) is calculated taking into account the class balance and is useful for understanding how the model performs on each class individually. The confusion matrix (rna confusion matrix) offers insights into the types of errors made by the model, such as false positives and false negatives.

K-Nearest Neighbors (KNN): For the implementation of the KNN algorithm, we used the Python Scikit-learn library, which offers efficient tools for data analysis and predictive modeling. The KNeighborsClassifier was instantiated with the number of neighbors k set to 1. The chosen distance metric was Minkowski with p=2, corresponding to Euclidean distance, appropriate for our feature space.

The model was trained using the training set X train with the corresponding classes y train. The model fitting was carried out using the fit method, which is the process of training the algorithm with the provided data.

After training, the model was used to make predictions on the test set X test. The predictions were stored in the variable knn predictions. The efficacy of the model was then evaluated by comparing the predictions with the actual values y test from the test set. The metrics used for evaluation included:

• Accuracy (knn accuracy): The proportion of correct predictions from the total predictions made.
• F1-Score (knn f1): A measure that combines precision and recall. It is the harmonic mean of precision and recall, where an F1-Score achieves its best value at 1 (perfect precision and recall) and worst at 0.
• Precision (knn precision): The proportion of correct positive predictions from the total positive predictions made.
• Confusion Matrix (knn confusion matrix): A table that is often used to describe the performance of a classification model.

The confusion matrix provides valuable insights into the nature of the errors made by the model, allowing to identify if the model is confusing one class with another.

Decision Trees: The Decision Tree was implemented using the DecisionTreeClassifier algorithm from the sklearn.tree library, configured with a ’gini’ criterion to measure the quality of the splits, a min samples split of 2 for the minimum number of samples required to split an internal node, and a max depth of 11, which limits the maximum depth of the tree. The dataset was divided into training and testing subsets, where the model was trained with the training subset using the fit method and the predictions were made on the testing subset.

The performance of the Decision Tree model was evaluated through metrics such as accuracy, F1-Score, and precision, obtained with the functions accuracy score, f1 score, and precision score from the sklearn.metrics library. A confusion matrix was generated with the confusion matrix function to visualize the classifier’s performance in terms of true positives, true negatives, false positives, and false negatives. The confusion matrix provides valuable insights for the interpretation of the model, especially in relation to the balance between sensitivity and specificity.

Random Forest: The implementation and prediction using the Random Forest model were carried out following carefully defined steps for the dataset classification. The model was established based on the RandomForestClassifier from the scikitlearn library, a popular choice due to its effectiveness in handling datasets for classification and regression.

Initially, the Random Forest model was configured with 100 decision trees (n estimators = 100), using ’entropy’ as the criterion for measuring the quality of a split. The random state (random state) was set to 0 to ensure the reproducibility of the model.

The model training was performed with the training set (X train, y train), where the model learned to identify patterns and relationships in the data indicative of the diabetes diagnostic outcome.

After training, the model was used to make predictions on the test set (X test), resulting in a vector of predictions (rf predictions).

For evaluating the performance of the Random Forest model, various statistical metrics were calculated to provide an assessment of the Random Forest model:

• The accuracy (rf accuracy) measured the proportion of correct predictions relative to all predictions made, providing an overview of the model’s effectiveness.
• The F1-score (rf f1) provided a measure of precision testing, combining precision and recall into a single metric, which is particularly useful when the classes are imbalanced.
• The precision (rf precision) evaluated the accuracy of the positive predictions made by the model.
• The confusion matrix (rf confusion matrix) offered a detailed view of the model’s performance, indicating where the model is confusing the classes.

Ethical Considerations

Although the data are publicly available and do not contain personally identifiable information, all recommended practices for research ethics were followed. This includes the anonymization of any potentially identifiable information and confirmation that the use of the data is in compliance with the terms of use established by the Kaggle repository and relevant data regulations.

Limitations

The limitations of the study include the specificity of the dataset’s population (women of Pima heritage aged 21 or older) which may not be generalizable to other populations. Furthermore, the quality of the data and the representativeness of the variables may influence the outcomes of the machine learning algorithms. Other constraints must be considered when interpreting the results of this study. The database used does not distinguish between different types of diabetes (type 1, type 2, and gestational) in positive cases, labeling them generically as positive for the disease. This absence of differentiation prevents a more in-depth analysis that could lead to specific insights for each type of diabetes and their physiological and epidemiological nuances.

Another significant limitation is the number of instances in the database, which comprises 768 cases. This sample size, although sufficient to perform a preliminary analysis and develop predictive models, may not be large enough to capture all the heterogeneity and complexity associated with the diabetic condition. The limited volume of data could affect the machine learning algorithms’ ability to generalize their predictions to a broader population, potentially reducing the practical applicability and accuracy of the conclusions drawn from this study.

These limitations highlight the need for caution in generalizing the results obtained and suggest the importance of future studies that include more comprehensive and detailed datasets. Such studies should allow distinction between different types of diabetes and consider a more representative sample of the general population.

Results and Discussion

This section discusses the results obtained from the application of machine learning algorithms in predicting diabetes and explores the impact of missing values and the contribution of Principal Component Analysis (PCA).

Impact of Missing Value Imputation on Predictive Analysis

The imputation of missing values is a critical step in preparing data for predictive analysis. In the present study, important variables such as BMI, Glucose, and Blood Pressure contained missing values represented by ’?’, as indicated in Table 1. These data were imputed with the mean of the corresponding variable, a traditional approach aimed at minimizing the impact on the overall distribution of the data.

The decision to use the mean for imputation was based on the premise that the missing data are MCAR (Missing Completely At Random). However, this assumption may not always hold, and its application should be approached with caution. Although this technique is efficient and easy to implement, it can lead to an underestimation of variability and potential biases in model estimation, especially if the mechanism of missing data is related to the missing variable itself.

The model evaluation considered the potential influence of imputation on predictive accuracy, with additional analyses conducted to validate the imputation. The analysis of the results indicated that, despite the imputation, the models maintained adequate performance, suggesting that the imputation strategy employed did not introduce a significant bias that adversely affected the predictive capability of the models in this specific context.

Table 1. Summary of Missing Values

Interpretation of PCA

Principal Component Analysis (PCA) was applied to reduce the dimensionality of the dataset and identify the most significant variables contributing to the variation in data from patients with and without diabetes. Figure 13 illustrates the projection of the data onto two principal components. It is observed that patients are distinctly grouped along the First Principal Component, which suggests that this axis captures a significant variation related to the diabetes state.

The minimal overlap between the groups in Figure 13 indicates that the PCA model managed to extract relevant features differentiating diabetic patients from non-diabetic ones. This result justifies the use of PCA as a preliminary step in predictive analysis, as it provides a simplification of the feature space while retaining the most relevant information for classification.

Fig.13. Distribution of data across the two main components of PCA, demonstrating the separation between patients with and without diabetes (0: without diabetes, 1: with diabetes).

The interpretation of the principal components in relation to the original variables is an essential subsequent step. While the First Principal Component may be associated with factors such as glucose levels and BMI, the Second Principal Component might represent other clinical variables. Future analyses could focus on the loading of each variable on the principal components to better understand how each feature contributes to the diabetes condition.

Comparison of Classifier Performance

The comparative evaluation of classifiers revealed notable variations in their performance, as demonstrated in Table 2. Random Forest emerged as the most accurate model, achieving the highest scores across all metrics considered. Specifically, an accuracy of 0.86, F1-Score of 0.86, and precision of 0.87 suggest a higher reliability of this algorithm in correctly classifying patients. Artificial Neural Networks also showed robust performance, with consistent scores of 0.81 in accuracy, F1-Score, and precision, indicating their ability to model the complexities of the dataset.

Table 2. Comparison of performance of different classifiers

These results indicate that more complex methods capable of capturing nonlinear interactions among variables, such as Random Forest, may be more suitable for this type of medical data analysis. However, it is important to note that the choice of classifier should not be based solely on performance metrics but should also consider the model’s interpretability and the clinical context in which it will be applied.

Interpretation of Confusion Matrices

The confusion matrices for each classifier were analyzed to assess their ability to correctly identify cases of diabetes. As illustrated in the tables (3, 4, 5, 6, and 7) below, the Random Forest classifier exhibited a lower incidence of false negatives, highlighting its efficiency in recognizing positive cases of the disease. This is a significant result, as in medical practice, minimizing false negatives is crucial to ensure that patients receive the necessary treatment.

Table 3. Confusion Matrix – KNN

Table 4. Confusion Matrix – SVM

Table 5. Confusion Matrix – ANN

Table 6. Confusion Matrix – Decision Tree

Table 7. Confusion Matrix – Random Forest

The KNN classifier exhibited a relatively good balance between true positives and true negatives, while the SVM and Decision Tree tended to classify more cases as negative, as indicated by the higher number of false negatives. In contrast, the ANN demonstrated an effective compromise between sensitivity and specificity, as evidenced by the proportion of true positives and true negatives.

The detailed analysis of the confusion matrices suggests that Random Forest may be more suitable for diagnosing diabetes in the dataset studied, providing a basis for algorithm selection in future clinical implementations.

General Considerations

The selection of an appropriate classifier for medical diagnosis must balance accuracy and sensitivity. Models should minimize both false positives, which can lead to unnecessary medical procedures, and false negatives, which can result in delays in treatment. In this study, Random Forest stood out, suggesting its viability for diabetes detection. Beyond statistical performance, clarity in interpreting results is essential, reinforcing the value of explainable algorithms in medical practice, where data-driven decisions must be transparent and justifiable.

Conclusion

This investigation has revealed that while the selection of a classifier for diabetes prediction should be informed by performance metrics, clinical applicability and the interpretability of results are equally crucial. Random Forest, standing out in statistical criteria, is suggested as a robust option due to its capacity to minimize false negatives, which is vital to ensure the appropriate identification of patients requiring intervention. The inclusion of PCA as part of the predictive modeling process was validated, contributing to a deeper understanding of influential characteristics and supporting the selection of relevant features for future iterations of prediction models. This study underscores the importance of a holistic approach in predictive health analysis, prioritizing not just accuracy but also clinical usability and transparency in medical decision-making.

References

1. de Oliveira Santos, Givanildo, et al. ”Exerc´ıcios f´ısicos e diabetes mellitus: Revisa˜o.” BrazilianJournal of Development, vol. 7, no. 1, 2021, pp. 8837-8847.
2. da Silva, Maria Eduarda, et al. ”Promoc¸a˜o da homeostase glicˆemica em indiv´ıduos diab´eticosatrav´es do exerc´ıcio f´ısico: Uma revisa˜o narrativa.” Brazilian Journal of Development, vol. 6, no. 7, 2020, pp. 44576-44585.
3. WHITING, David R. et al. ”IDF diabetes atlas: global estimates of the prevalence of diabetesfor 2011 and 2030.” Diabetes research and clinical practice, vol. 94, no. 3, 2011, pp. 311-321.
4. Mendes, Alana Caroline Alves, et al. ”Promoc¸a˜o em sau´de para condutas de ha´bitos sauda´veispara reduc¸a˜o de diabetes tipo II e hipertensa˜o na atenc¸a˜o prima´ria.” Revista JRG de Estudos Acadˆemicos, vol. 6, no. 13, 2023, pp. 1773-1792.
5. Cardozo, Glauco. ”Um modelo computacional utilizando t´ecnicas de machine learning e exameslaboratoriais de rotina na triagem e apoio ao diagno´stico de diabetes mellitus.” 2022.
6. Monteiro, Rosangela, et al. ”INTELIGENCIA ARTIFICIAL, DEEP LEARNING, MACHINEˆ LEARNING, REDES NEURAIS NA MEDICINA E BIOMARCADORES VOCAIS: CONCEITOS, ONDE ESTAMOS E PARA ONDE VAMOS.” Rev Soc Cardiol Estado de Sa˜o Paulo, vol. 32, no. 1, 2022, pp. 11-17.
7. Paixa˜o, Gabriela Miana de Mattos, et al. ”Machine Learning na Medicina: Revisa˜o e Aplicabilidade.” Arquivos Brasileiros de Cardiologia, vol. 118, 2022, pp. 95-102.
8. Surden, Harry, Tourinho Leal, Saul, e Silva Neto, Wilson Seraine da. ”Machine learning e odireito.” Suprema-Revista de Estudos Constitucionais, vol. 3, no. 1, 2023, pp. 353-389.
9. Ramos, Ma´ıra Catharina, et al. ”Big Data e Inteligˆencia Artificial para pesquisa translacionalna Covid-19: revisa˜o ra´pida.” Sau´de em Debate, vol. 46, 2023, pp. 1202-1214.
10. Dias, Caio Eduardo, Saqui, Diego, e Moreira, Heber Rocha. ”Desenvolvimento de um aplicativo para classificac¸a˜o de doenc¸as e pragas em folhas de caf´e utilizando deep learning.” 15º JORNADA CIENT´IFICA E TECNOLOGICA E 12´ º SIMPOSIO DE P´ OS-GRADUAC¸´ AO DO˜ IFSULDEMINAS, vol. 15, no. 3, 2023.
11. Souza, Ewerton Pacheco de, et al. ”Aplicac¸o˜es do Deep Learning para diagno´stico de doenc¸ase identificac¸a˜o de insetos vetores.” Sau´de em Debate, vol. 43, 2020, pp. 147-154.
12. Vitoria, Sergio Ricardo Pacheco da. ”Machine learning e ana´lise preditiva em sau´de: um estudode caso sobre detecc¸a˜o de anomalias em contas m´edicas do Exercito.” 2022.
13. Souza, Amanda Cristina Eleut´erio, and Saqui, Diego. ”METODO DE PR´ E-DIAGN´ OSTICO´ DA COVID-19 E PNEUMONIA UTILIZANDO IMAGENS DE RADIOGRAFIA DO TORAX´ E CNN.” 15º JORNADA CIENT´IFICA E TECNOLOGICA E 12´ º SIMPOSIO DE P´ OS-´ GRADUAC¸AO DO IFSULDEMINAS, vol. 15, no. 3, 2023.˜
14. Santos, Jefferson Pacheco dos. ”Proposta de um sistema para avalia¸ca˜o de riscos de infecc¸a˜odo s´ıtio ciru´rgico utilizando t´ecnicas de inteligˆencia artificial.” 2021.
15. Medeiros et al. ”Short-term COVID-19 forecast for latecomers.” arXiv preprint arXiv:2004.07977, 2020.
16. Vaishya, R., Javaid, M., Khan, I. H., e Haleem, A. ”Artificial intelligence (AI) applicationsfor COVID-19 pandemic.” Diabetes and Metabolic Syndrome: Clinical Research and Reviews, 2020.
17. Stakoviak, Flavio Henrique Moura. ”Inovac¸a˜o em acesso a` informa¸ca˜o em biotecnologia: desenvolvimento de um mecanismo de busca inteligente baseado em processamento de linguagem natural.” 2023.
18. Fonseca, Afonso Ueslei, et al. ”Diagnosticando Tuberculose com Redes Neurais Artificiais eRecursos BPPC.” Journal of Health Informatics, vol. 15, Edic¸a˜o Especial, 2023.
19. Costa, Oberdan, and Gouveia, L. ”Uma proposta para um Sistema Inteligente de Previsa˜o doRisco de Doenc¸as Croˆnicas.” In GASPAR, J. et al., eds. Sistemas Inteligentes para a Sau´de: desafios da ´etica e governanc¸a. Anais do CBIS, 2022, pp. 243-248.
20. DataCamp. ”Support Vector Machines with Scikit-learn.” Acessado em 02 de marc¸o de 2024. https://www.datacamp.com/community/tutorials/.
21. Veiga, D. M., & Ferreira, D. ”Sera´ Poss´ıvel Melhorar O Diagno´stico Da Icter´ıcia Neonatal?Aplicac¸a˜o De T´ecnicas De Data Mining.” 2011.
22. Boswell, Dustin. ”Introduction to support vector machines.” Departamento de Ciˆencia daComputac¸a˜o e Engenharia, Universidade da Califo´rnia, San Diego, vol. 11, 2002.
23. Teixeira, Pedro Miguel Bento. ”Classificac¸a˜o automa´tica de termogramas do p´e diab´eticousando t´ecnicas de Machine Learning.” 2021.
24. Fix, E. and Hodges, J.L. ”Discriminatory Analysis, Nonparametric Discrimination: Consistency Properties.” Technical Report 4, USAF School of Aviation Medicine, Randolph Field, 1951.
25. Urso, A., Fiannaca, A., La Rosa, M., Rav`ı, V., Rizzo, R. ”Data mining: Prediction methods.” In: Encyclopaedia of Bioinformatics and Computational Biology: ABC of Bioinformatics,Elsevier, 2018, pp. 413–430. https://doi.org/10.1016/B978-0-12-809633-8.20462-7.
26. Olivera, Andr´e Rodrigues. ”Comparac¸a˜o de algoritmos de aprendizagem de ma´quina paraconstruc¸a˜o de modelos preditivos de diabetes na˜o diagnosticado.” 2016.
27. Maglogiannis, Ilias G., ed. ”Emerging artificial intelligence applications in computer engineering: real world AI systems with applications in eHealth, HCI, information retrieval and pervasive technologies.” Vol. 160. IOS Press, 2007.
28. QUILAN, J. Ross. ”C4.5: Programs for Machine Learning.” San Mateo, CA: Morgan Kaufmann Publishers, 1993. 312 p.
29. Carvalho, Deborah Ribeiro, Dallagassa, Marcelo Rosano, e da Silva, Sandra Honorato. ”Usode t´ecnicas de minerac¸a˜o de dados para a identificac¸a˜o automa´tica de beneficia´rios propensos ao diabetes mellitus tipo 2.” Informac¸a˜o & Informac¸a˜o, vol. 20, no. 3, 2015, pp. 274-296.
30. Pearson, Karl. ”LIII. On lines and planes of closest fit to systems of points in space.” TheLondon, Edinburgh, and Dublin Philosophical Magazine and Journal of Science, vol. 2, no. 11, 1901, pp. 559-572.
31. Ferreira, Ma´rcia Miguel Castro. ”Quimiometria III-Revisitando a ana´lise explorato´ria dosdados multivariados.” Qu´ımica Nova, vol. 45, 2023, pp. 1251-1264.
32. Porreca, Paloma Priscila, et al. ”Efeitos do uso da ma´scara facial no exerc´ıcio durante apandemia da covid-19: uma an´alise de componente principal (PCA).” Biolo´gicas And Sau´de, vol. 11, no. 38, 2021, pp. 13-14.
33. dos Santos Nunes, Florbela. ”Previsa˜o de nu´mero de dias de internamento em doentesdiab´eticos-Uma abordagem de Machine Learning.” 2020.
34. Galvao, Noemi Dreyer, and Marin, Heimar de Fa´tima. ”Tecnica de mineraca˜o de dados: umarevisa˜o da literatura.” Acta Paulista de Enfermagem, vol. 22, 2009, pp. 686-690.
35. Fayyad, Usama; Piatetski-Shapiro, Gregory; Smyth, Padhraic. ”The KDD Process for Extracting Useful Knowledge from Volumes of Data.” In: Communications of the ACM, Nov. 1996, pp. 27-34.
36. Guerra-Herna´ndez, Alejandro, Mondrago´n-Becerra, Rosbelda, and Cruz-Ram´ırez, Nicandro.”Explorations of the BDI Multi-agent support for the Knowledge Discovery in Databases Process.” Research in Computing Science, vol. 39, 2008, pp. 221-238.
37. Oliveira, Paulo, Rodrigues, Fa´tima, and Henriques, P. ”Limpeza de dados: Uma visa˜o geral.”Data Gadgets, 2004, pp. 39-51.
38. da Costa Coˆrtes, S´ergio, Porcaro, Rosa Maria, and Lifschitz, S´ergio. ”Minerac¸a˜o de dadosfuncionalidades, t´ecnicas e abordagens.” PUC, 2002.
39. Rigo, Sandro Jos´e, et al. ”Aplicac¸o˜es de Minerac¸a˜o de Dados Educacionais e Learning Analyticscom foco na evasa˜o escolar: oportunidades e desafios.” Revista Brasileira de Informa´tica na Educac¸a˜o, vol. 22, no. 01, 2014, p. 132.
40. Mello, Joa˜o Alexandre Bonin de. ”Uma proposta de modelo de dados para suporte ao processamento transacional e de data warehouse simultaneamente.” 2002.
41. Junior, Guanis B. Vilela, et al. ”M´etricas utilizadas para avaliar a eficiˆencia de classificadoresem algoritmos inteligentes.” Revista CPAQV–Centro de Pesquisas Avanc¸adas em Qualidade de Vida, vol. 14.2, 2022, p. 2.
42. Milani, Anna, et al. ”A Deep Learning Application for Psoriasis Detection.” Anais do XXEncontro Nacional de Inteligˆencia Artificial e Computacional, SBC, 2023.
43. Souza, Emanuel G. ”Entendendo o que ´e Matriz de Confusa˜o com Python – DataHackers – Medium.” Medium, 2019. Dispon´ıvel em: https://medium.com/data-hackers/ entendendo-o-que-%C3%A9-matriz-de-confus%C3%A3o-com-python-114e683ec509. Acesso em: 2 mar. 2024.
44. Clavera, Walter. ”Aprendizado de Ma´quina (Machine Learning).” SEJATECH e FALETECH, 2019. Dispon´ıvel em: https://www.redesdesaude.com.br/ aprendizado-de-maquina-machine-learning/. Acesso em: 2 mar. 2024.
45. Dijkinga, Fernando Jean. ”Utilizac¸˜ao de aprendizagem supervisionada de ma´quina parapredic¸a˜o de valores gen´eticos com base em duas gerac¸o˜es de ascendentes.” Research, Society and Development, vol. 12, no. 6, 2023, e2812641904-e2812641904.
46. Fernandes, Fernando Timoteo, and Chiavegatto Filho, Alexandre Dias Porto. ”Perspectivasdo uso de minera¸ca˜o de dados e aprendizado de ma´quina em sau´de e seguranc¸a no trabalho.” Revista Brasileira de Sau´de Ocupacional, vol. 44, 2019, e13.
47. Fernandes, Fernando Timoteo. ”Machine learning em sau´de e seguranc¸a do trabalhador: perspectivas, desafios e aplicac¸o˜es.” Dissertac¸a˜o de Mestrado, Universidade de Sa˜o Paulo, 2021.
48. Oliveira, David Fernandes Neves. ”Interpretabilidade de modelos de aprendizado profundoaplicados ao diagno´stico e progno´stico na˜o supervisionado de falhas.” Dissertac¸a˜o de Mestrado, Universidade de S˜ao Paulo, 2022.
49. SANCHES, Jonas Rodrigues. ”Ana´lise comparativa dos efeitos morfofuncionais e ultraestruturais dos diabetes mellitus tipo 1 e diabetes mellitus tipo 2 no f´ıgado de ratos.” 2023.
50. Giroldo, Julio Cesar, and Gabriel, Anderson Luiz. ”Diabetes mellitus tipo 2: a intervenc¸a˜oda atividade f´ısica como forma de aux´ılio e qualidade de vida.” Revista Carioca de Educac¸˜ao F´ısica, vol. 15, no. 1, 2020, pp. 28-39.
51. Silva, Tha´ıza Morais da. ”Revisa˜o bibliogra´fica sobre o diagno´stico e o tratamento do diabetesmellitus.” 2019.
52. Costa, Fabrycianne Gonc¸alves. ”Bem-estar subjetivo, resiliˆencia e representac¸o˜es sociais nocontexto do diabetes mellitus.” 2017.
53. Waldman, Beatriz Ferreira. ”Envelhecimento bem-sucedido: uma metodologia de cuidado apessoas com diabetes mellitus.” 2006.
54. OCRC, CEPID. ”A relac¸a˜o entre Diabetes tipo 2 e a maior gravidade da COVID-19: o que sabemos?” Sobre Peso — Dicas e segredos para manter o peso sob controle! 2020. Dispon´ıvel em: https://www.sobrepeso.com.br/ a-relacao-entre-diabetes-tipo-2-e-a-maior-gravidade-da-covid-19-o-que-sabemos/. Acesso em: 2 mar. 2024.
55. SBD. ”Tipos de Diabetes – Sociedade Brasileira de Diabetes.” Sociedade Brasileira de Diabetes,2024. Dispon´ıvel em: https://diabetes.org.br/tipos-de-diabetes/#:~:text=Cerca%20de%2090%25%20das%20pessoas,atividade%20f%C3%ADsica%20e%20planejamento%20alimentar.. Acesso em: 2 mar. 2024.
56. Dadamos, Fernando Magalha˜es. ”Fatores cr´ıticos de sucesso para adoc¸a˜o da LGPD nas empresas brasileiras: um estudo Delphi com especialistas.” Dissertac¸a˜o de Mestrado, 2022.
57. Vidal, Maciel Calebe, and Machado, Arthur Cisotto. ”Inteligˆencia Artificial Explica´vel (XAI) na a´rea m´edica.” 2023.
58. SaudeBusiness. ”Como vencer a resistˆencia tecnolo´gica em m´edicos e pacientes.” saudebusiness.com, 2021. Dispon´ıvel em: https://www.saudebusiness.com/ti-e-inova%C3%A7%C3%A3o/ como-vencer-resist%C3%AAncia-tecnol%C3%B3gica-em-m%C3%A9dicos-e-pacientes. Acesso em: 2 mar. 2024.
59. Chauhan, Aman. ”Predict Diabetes.” Kaggle.com, 2023. Dispon´ıvel em: https://www.kaggle.com/datasets/whenamancodes/predict-diabities/data. Acesso em: 2 mar. 2024.
60. Breiman, Leo. ”Random forests.” Machine Learning, vol. 45, 2001, pp. 5–32.
61. Junior, ICMC. ”Random Forest — Entenda Agora Esse Algoritmo Poderoso.” 2021. Dispon´ıvelem: https://icmcjunior.com.br/random-forest. Acessado em 16 de dezembro de 2023.
62. de Alvarenga Ju´nior, Wagner Jos´e. ”M´etodos de otimizac¸a˜o hiperparam´etrica: um estudocomparativo utilizando a´rvores de decisa˜o e florestas aleato´rias na classificac¸a˜o bina´ria.” 2018.
63. Ribeiro, Eduardo, et al. ”Modelo preditivo para a proliferac¸˜ao do Aedes aegypti em Itaja´ı(Santa Catarina): Uma abordagem integrando fatores clima´ticos locais e globais.” Estraba˜o, vol. 5, 2024, pp. 81-91.
64. Santos, Andraws Steve. ”Modelos de machine learning para identificac¸a˜o de clientes com riscoacrescido de branqueamento de capitais e financiamento do terrorismo.” 2023.
65. Santos, J. A. A. and Chaucoski, Y. ”Previsa˜o do consumo de energia el´etrica na regia˜o sudeste: um estudo de caso usando sarima e lstm.” Revista Cereus, vol. 12, no. 4, 2020, pp. 93–104.
66. Rodrigues, Gustavo, and Kreutz, Diego. ”Modelo preditivo para classifica¸ca˜o de risco de o´bitode pacientes com COVID-19 utilizando dados abertos.” Anais do XXII Simpo´sio Brasileiro de Computac¸a˜o Aplicada a` Sau´de, SBC, 2022.
67. Cardoso, Isaac. ”T´ecnicas de otimizac¸a˜o e m´etricas de avaliac¸a˜o aplicadas a machine learning.”2022.
68. Maniezzo, Giovanni Vallim, Oliveira, Jorge Luiz Arantes de, e Pereira, Maria Eduarda Riskalla.”Processamento e classificac¸a˜o de sinais de EEG por meio de machine learning para identificac¸a˜o de emo¸co˜es ba´sicas. 2022.”
69. Fernandes, Lucinara Kecia Silva. ”Aprendizagem de ma´quina para previsa˜o de predisposic¸˜aoao medo do crime.” 2022.
70. Goodfellow, I., Bengio, Y., e Courville, A. ”Deep Learning.” MIT Press, 2016. Disponível em:http://www.deeplearningbook.org. Acesso em: 3 mar. 2024.

Department of Computer Engineering, Federal Institute of Education,Science, and Technology of SãoPaulo (IFSP) – Campus Birigui, Brazil.E-mail: vinicius.santos@ifsp.edu.br