Ferreira, Jorge Alberto de MagalhãesFaria, Brígida Mónica TeixeiraAlves, Sandra Maria FerreiraAlves, Cristina2026-02-232026-02-232025-11-21http://hdl.handle.net/10400.22/31877A asma é heterogénea e apresenta variabilidade relevante na resposta terapêutica, sobretudo quando coexistem fenótipos e endótipos distintos. Com o objetivo de desenvolver modelos preditivos que estimem a resposta terapêutica em asmáticos e, secundariamente, identificar características clínicas, funcionais e biológicas associadas, realizou-se um estudo observacional retrospetivo em 123 adultos asmáticos. Testaram-se Decision Tree, Random Forest, Gradient Boosting e Logistic Regression com quatro grupos de variáveis (clínicas, funcionais, inflamatórias, terapêuticas) em duas versões de base (com e sem omissos; esta por imputação da mediana). A avaliação por validação cruzada considerou exatidão, AUC, sensibilidade e especificidade. Os ensembles foram consistentemente superiores. O Gradient Boost (Grupo 4, com imputação) atingiu exatidão 97,9%, AUC≈0,98, sensibilidade 96,5% e especificidade 93,3%. O Random Forest obteve desempenhos elevados noutros cenários (exatidão 95,1%; AUC≈0,99). A ANOVA de medidas repetidas foi estatisticamente significativa em todos os conjuntos analisados (G1 a G4), sendo o efeito mais pronunciado nos grupos G1 e G3. Conclui-se que a combinação de medidas de controlo reportadas pelo doente, função respiratória, marcadores T2, exacerbações e variáveis terapêuticas é informativa para prever a resposta ao tratamento. O Gradient Boost destacou-se como modelo de eleição, com potencial para suporte à decisão e otimização de cuidados, carecendo de validação externa e avaliação de impacto antes da implementação.porAsmaTratamento da asmaPrediçãoMachine Learningmaster thesis204178207