INTRODUÇÃO: Os sintomas de trato urinário inferior (STUI), são muito frequentes entre os homens acima dos 50 anos e entender melhor sua prevalência e incidência na população brasileira, por meio de estudos clínicos, é imprescindível para a elaboração de estratégias de saúde pública e de prevenção para essa população. A identificação de anomalias do fluxo urinário é atualmente identificada através de exames como a urofluxometria e imagens. Considerando que os STUI englobam etiologias variadas, há uma necessidade em se determinar se a causa é secundária a obstrução do trato urinário, em especial pelo aumento de volume prostático, a que não é possível ser avaliada somente pela análise de sintomas. O exame padrão ouro para diagnóstico, nesse contexto, é o estudo urodinâmico (estudo fluxo/pressão). Esse consiste na avaliação pressórica intravesical e intra-abdominal, sendo necessário o uso de sondas na bexiga e reto, respectivamente (4). Entretanto, por ser um teste invasivo, há riscos como hematúria e infecção do trato urinário. Dessa forma, a demanda por dispositivos menores que permitam uso domiciliar cresceu e deu espaço ao surgimento dos urofluxômetros portáteis, os quais ainda não são acessíveis integralmente à prática clínica, pelo alto custo e necessidade de treinamento dos profissionais. – OBJETIVOS: O objetivo do presente trabalho é utilizar técnicas de inteligência artificial para identificar variações no tamanho da próstata através do uso da captação de sons do fluxo urinário, juntamente com informações básicas do paciente e aplicação desses dados em modelos preditivos. – MATERIAIS E MÉTODO: Primeiramente foi realizada a importação dos dados MFCCs extraídos de 19 áudios coletados em laboratório, disponibilizados em arquivo CSV. Após importação os dados foram normalizados, atribuindo o padrão no preenchimento de campos. Como houve muitos campos não preenchidos, apenas os MFCCs foram utilizados para aplicação dos classificadores, sendo eles: Naive Bayes (NB), K-nearest neighbors (Knn), Árvore de decisão, Random Forest, Support Vector Machine (SVM), Regressão Logística e Redes neurais. – RESULTADOS: Nota-se que a aplicação dos testes retorna com resultados de assertividade de 83% para os modelos: KNN (utilizando como configuração de vizinhos = 3), SVM e Regressão Logística. – CONSIDERAÇÕES FINAIS: Porém, como a base de dados era pequena e incompleta não houve um resultado conclusivo na predição, pois por mais que os resultados tenham aparentado boa resposta, é ideal que novos testes sejam realizados após aplicação das técnicas de Data Augumentation ou novas coletas para aumento da base de dados.
