Os modelos de Machine Learning são melhores que as equações atuais usadas para estimar a taxa de filtração glomerular?

• Processo: 23/04903-7
• Modalidade de apoio: Bolsas no Brasil - Iniciação Científica
• Data de Início da vigência: 01 de julho de 2023
• Data de Término da vigência: 30 de junho de 2024
• Área de conhecimento: Ciências da Saúde - Medicina - Clínica Médica
• Pesquisador responsável: Luís Gustavo Modelli de Andrade
• Beneficiário: Bruna Ferraz Deorio
• Instituição Sede: Hospital das Clínicas da Faculdade de Medicina de Botucatu. Universidade Estadual Paulista (UNESP). Campus de Botucatu. Botucatu , SP, Brasil
• Assunto(s): Genes erbB-1 Aprendizado computacional Nefrologia
• Palavra(s)-Chave do Pesquisador: chronic kidney disease | Egfr | machine learning | Nefrologia

Resumo

Uma previsão precisa da taxa de filtração glomerular (GFR) é extremamente importante para classificar e definir os estágios da doença renal crônica. A estimativa da TFG é baseada em equações derivadas de modelos de regressão, os mais comuns são CKD-EPI, MDRD e Schwartz. O objetivo é avaliar o desempenho dos modelos de aprendizado de máquina em comparação com as equações padrão para prever a medida da taxa de filtração glomerular.Considerando a importância da TFG para o diagnóstico, classificação e tratamento da Doença Renal Crônica e as falhas e limitações das equações atuais para estimar a medida da TFG com acurácia e precisão nas diferentes populações, o presente estudo tem como objetivo elaborar uma nova proposta de equação nefrológica, visando aprimorar a avaliação da função renal e melhorar o atendimento aos pacientes necessitados.O estudo inclui uma amostra retrospectiva transversal de 10.610 participantes encaminhados a um hospital em Lyon, França, para serem submetidos a medidas de TFG por suspeita de disfunção renal ou doação de rim. A TFG será medida pela depuração urinária de inulina. Dividiremos os dados em conjuntos de dados de derivação (treinamento) e validação (teste). Os modelos de aprendizado de máquina serão baseados em árvore (árvores de decisão de aumento de gradiente (xgBoost) e LightGBM), regressão Lasso e regressão cubista. Para comparar a precisão dos modelos no conjunto de teste, usaremos o erro quadrático médio (RMSE) e o viés (mediana da diferença entre a GFR medida e a GFR estimada).