Predição de síndrome metabólica e seus fatores de risco associados em pacientes com doença renal crônica utilizando técnicas de machine learning

Resumo

Introdução:

A doença renal crônica (DRC) e a síndrome metabólica (SM) são reconhecidas como problemas de saúde pública relacionados ao excesso de peso e a fatores cardiometabólicos. O objetivo deste estudo foi desenvolver um modelo para prever a SM em pessoas com DRC.

Métodos:

Este foi um estudo transversal prospectivo de pacientes de um centro de referência em São Luís, MA, Brasil. A amostra incluiu voluntários adultos classificados de acordo com a presença de DRC leve ou grave. Para o rastreamento da SM, o algoritmo de classificação k-nearest neighbors (KNN) foi utilizado com os seguintes dados: sexo, tabagismo, circunferência do pescoço e relação cintura-quadril. Os resultados foram considerados significativos com p < 0,05.

Resultados:

Foram avaliados 196 pacientes adultos com média de idade de 44,73 anos, 71,9% do sexo feminino, 69,4% com sobrepeso e 12,24% com DRC. Desses últimos, 45,8% apresentaram SM, a maioria tinha até 3 componentes metabólicos alterados, e o grupo com DRC apresentou significância estatística em: circunferência da cintura, pressão arterial sistólica, pressão arterial diastólica e glicemia de jejum. O algoritmo KNN comprovou ser um bom preditor para a triagem de SM com acurácia e sensibilidade de 79% e especificidade de 80% (área sob a curva ROC – AUC = 0,79).

Conclusão:

O algoritmo KNN pode ser usado como um método de triagem de baixo custo para avaliar a presença de SM em pessoas com DRC.

Descritores:
Inteligência Artificial; Insuficiência Renal Crônica; Aprendizado de Máquina; Síndrome Metabólica