InovaçãoNewsletter

Modelos de machine learning podem prever risco de declínio da função renal

0

Um novo estudo publicado na Risk Management and Healthcare Policy mostra que os modelos de aprendizado de máquina (machine learning) podem usar dados clínicos padrão para prever o declínio da função renal (RFD, na sigla em inglês) com precisão semelhante à dos métodos tradicionais de previsão.

Os pesquisadores treinaram e testaram sete modelos de machine learning para prever o risco de RFD. Em seguida, avaliaram o desempenho dos modelos em relação ao de um modelo de regressão logística para determinar se os métodos de machine learning poderiam ser usados ​​para previsão de RFD em ambientes clínicos.

Eles treinaram os modelos de machine learning usando dados retrospectivos de 2.166 pacientes com idades entre 35 e 74 anos coletados entre 2010 e 2020. A partir desses dados, 24 variáveis ​​independentes foram extraídas, com a taxa de filtração glomerular estimada (eGFR) sendo usada para determinar o status de RFD do paciente. O grupo de pacientes foi dividido aleatoriamente em um conjunto de treinamento e um conjunto de teste, e os conjuntos de dados foram fornecidos aos modelos.

Os sete modelos de machine learning — floresta aleatória, aumento de gradiente, perceptron multicamada, máquina de vetor de suporte, K-vizinhos mais próximos, aumento adaptativo e árvore de decisão — alcançaram uma precisão preditiva significativa em geral. Entre todos os algoritmos, o modelo de aumento de gradiente apresentou a melhor média de precisão preditiva. Dos 24 fatores medidos, idade, creatinina sérica (Scr), ácido úrico sérico (SUA), circunferência da cintura e pressão arterial sistólica (PAS) foram os mais importantes para o desempenho do modelo de previsão.

Todos os modelos de machine learning, exceto os K-vizinhos mais próximos e algoritmos de árvore de decisão, melhoraram o desempenho de previsão de RFD em comparação com o modelo de regressão logística. No entanto, as melhorias foram insignificantes, indicando que mais pesquisas são necessárias para determinar se melhorias significativas são possíveis.

Os resultados indicam que um algoritmo de machine para previsão de RFD tem potencial para uso clínico e pode melhorar a vigilância de doenças e o gerenciamento de cuidados para aqueles em risco, postularam os pesquisadores. Outras pesquisas também mostraram como os modelos de machine learning podem ser usados ​​como ferramentas preditivas para condições relacionadas aos rins.

Unifesp cria acervo de materiais biológicos humanos congelados

Artigo anterior

SAÚDE DIGITALK entrevista Priscila Siqueira, head do Gympass no Brasil

Próximo artigo

Comentários

Deixe uma resposta

O seu endereço de e-mail não será publicado.

Você também pode gostar