What question did this study set out to answer?

A pesquisa visa desenvolver uma estrutura de aprendizado de máquina para prever o risco de doença renal crônica (DRC) usando diversos fatores de dados.

February 8, 2026Open Access

Detecção Precoce da Doença Renal Crônica em Homens Usando Indicadores de Estilo de Vida e Demográficos: Uma Abordagem de Aprendizado de Máquina para Ambientes de Atenção Primária à Saúde

Key Points

A pesquisa visa desenvolver uma estrutura de aprendizado de máquina para prever o risco de doença renal crônica (DRC) usando diversos fatores de dados.
Analisou dados de 968 participantes masculinos, incluindo fatores de estilo de vida e bioquímicos.
Pré-processou dados para derivar eGFR (taxa de filtração glomerular estimada) e ACR (relação albumina-creatinina).
Treinou cinco algoritmos de aprendizado de máquina (Random Forest, AdaBoost, Naïve Bayes, SVM, XGBoost) e avaliou seu desempenho usando acurácia, precisão, recall e F1-score.
Avaliou a interpretabilidade do modelo usando análises SHAP, LIME, Boruta e correlação de Pearson.
AdaBoost demonstrou o melhor desempenho com acurácia de 72,58% e F1-score de 64,57%.
Os principais preditores para DRC incluíram creatinina sérica, nitrogênio ureico sanguíneo, creatinina urinária e idade.
Fatores secundários que influenciam o risco de DRC incluíram indicadores de estilo de vida como IMC e ingestão dietética, além da duração do sono.

Abstract

Contexto/Objetivo: A doença renal crônica (DRC) é uma preocupação significativa de saúde global associada a morbidade, mortalidade e carga sobre o sistema de saúde. Este estudo teve como objetivo desenvolver uma estrutura explicável de aprendizado de máquina que integra fatores de estilo de vida, sociodemográficos e bioquímicos para previsão precoce do risco de DRC em homens de meia-idade utilizando dados de pesquisa de saúde pública. Métodos: Dados de 968 participantes do sexo masculino foram pré-processados removendo valores ausentes, derivando eGFR e ACR, e rotulando o status da DRC. Cinco algoritmos de aprendizado de máquina (Random Forest, AdaBoost, Naïve Bayes, SVM e XGBoost) foram treinados e avaliados usando acurácia, precisão, recall e F1-score. A interpretabilidade do modelo foi avaliada usando análises SHAP, LIME, Boruta e correlação de Pearson. Resultados: AdaBoost obteve o melhor desempenho (acurácia = 0,7258, F1 = 0,6457, recall = 0,6923), com generalização robusta confirmada pela curva precisão-recall (AP = 0,715). SHAP e LIME revelaram que creatinina sérica, nitrogênio ureico sanguíneo, creatinina urinária e idade foram os principais preditores, enquanto indicadores de estilo de vida e metabólicos, como IMC, ingestão de sódio e açúcar e duração do sono, surgiram como fatores secundários para DRC. Conclusões: Este estudo demonstra a eficácia de um modelo explicável de aprendizado de máquina que integra dados de estilo de vida, sociodemográficos e bioquímicos para previsão precoce de DRC em homens de meia-idade. A estrutura baseada em AdaBoost mostra forte potencial para implementação como ferramenta de suporte à decisão clínica em sistemas EHR e pode contribuir para intervenções personalizadas e preventivas. Enfatiza a importância crescente de comportamentos modificáveis no desenvolvimento da doença renal e apoia trabalhos futuros envolvendo múltiplas coortes e expansão temporal do modelo para melhorar a estratificação de risco para indivíduos em risco de doença renal.

Perguntar à IA

Bookmark

View Full Paper