Please use this identifier to cite or link to this item: https://repositorio.ufjf.br/jspui/handle/ufjf/17794
Files in This Item:
File Description SizeFormat 
joaopauloscoralickdeoliveira.pdf7.08 MBAdobe PDFThumbnail
View/Open
Type: Tese
Title: Cenários de aplicação de técnicas de aprendizado de máquina para a predição de estágios da doença renal crônica em uma base de dados do sistema público de saúde do Brasil
Author: Oliveira, João Paulo Scoralick de
First Advisor: Goliatt, Priscila Vanessa Zabala Capriles
Co-Advisor: Fonseca, Leonardo Goliatt da
Referee Member: Bernardino, Heder Soares
Referee Member: Colugnati, Fernando Antonio Basile
Referee Member: Augusto, Douglas Adriano
Referee Member: Silva, Eduardo Krempser da
Resumo: A doença renal crônica (DRC) é um grave problema de saúde pública tanto no Brasil quanto no mundo. Caracterizada pela perda progressiva e irreversível da função renal, a DRC apresenta uma prevalência média projetada de 9,5% na população adulta mundial. No Brasil, milhões de indivíduos possuem o diagnóstico da doença, tendo esse número atingido um total estimado de 17 milhões em 2017. Intervenções precoces podem retardar sua progressão e reduzir a necessidade de terapias renais substitutivas. A antecipação da detecção da DRC, em cada um de seus seis estágios de gravidade, é essencial para o adequado manejo clínico dos pacientes, representando o método mais eficaz para a redução dos custos associados ao tratamento. O objetivo desta tese foi desenvolver cenários de aplicação de algoritmos e técnicas de aprendizado de máquina (AM) para a predição dos estágios da DRC, utilizando uma base de dados de saúde pública do Brasil, composta por mais de sete mil registros que incluem informações pessoais, socioeconômicas, clínicas e laboratoriais dos pacientes. A proposta foi explorar diferentes combinações de variáveis preditoras que pudessem servir de base para a aplicação de métodos de AM capazes de predizer a progressão da doença, reduzindo a dependência de marcadores tradicionais, como a creatinina sérica, amplamente utilizada nos trabalhos da literatura relacionada. A partir dessas combinações de variáveis relacionadas a exames clínicos e dados pessoais, esta tese também teve como objetivo identificar o menor conjunto viável de variáveis preditoras dos seis estágios da DRC. Para o desenvolvimento dos cenários, foram exploradas três diferentes configurações da base de dados, com o objetivo de extrair distintas perspectivas sobre a representação do conteúdo. Métodos variados foram aplicados para a inferência de dados faltantes, juntamente com técnicas voltadas ao balanceamento dos dados, seleção de variáveis relevantes e divisão dos dados para fins de classificação. Adicionalmente, uma série de algoritmos supervisionados de AM, com diferentes fundamentações e objetivos, foram empregados para permitir uma análise comparativa dos resultados. Em cada cenário proposto, os resultados obtidos variaram. No primeiro, com classificações realizadas pelo algoritmo de floresta aleatória (RF, do inglês random forest), todas as abordagens apresentaram valores elevados de acurácia, exceto o agrupamento que não incluiu a creatinina sérica como variável preditora. No segundo cenário, composto por 25 variáveis e sem a inclusão da creatinina, o algoritmo extreme gradient boosting (XGBoost) apresentou alta acurácia, comparável aos valores reportados na literatura, em estudos que fazem uso da creatinina em suas análises. No terceiro cenário, o desbalanceamento da base de dados foi tratado com diferentes métodos e a classificação considerou apenas três variáveis preditoras. Embora os resultados gerais tenham ficado aquém do esperado, alguns se revelaram promissores para a detecção dos estágios iniciais da DRC. No quarto cenário, a inferência de dados faltantes foi abordada por meio do conceito de cópulas, mas os resultados foram insatisfatórios. Por fim, o quinto cenário foi o mais completo em termos de organização, tratamento, seleção e classificação dos dados. Entretanto, as novas abordagens não resultaram em melhorias significativas nos resultados. Em conclusão, uma parte dos cenários desenvolvidos foi bem sucedida em corresponder aos objetivos delineados nesta tese, sobretudo por não prescindir do uso de marcadores tradicionais da doença. Os resultados promissores possivelmente poderiam ser avaliados para o uso na prática clínica diária e no auxílio ao diagnóstico precoce da doença renal crônica.
Abstract: Chronic kidney disease (CKD) represents a significant public health concern in Brazil and globally. Characterized by the progressive and irreversible loss of kidney function, CKD has an estimated average prevalence of 9.5% among the global adult population. In Brazil, millions have been diagnosed with the disease, with the total reaching an estimated 17 million in 2017. Early interventions can slow disease progression and reduce the need for renal replacement therapies. Early detection of CKD across its six clinical stages is critical for appropriate clinical management and is the most effective approach to reducing treatment-associated costs. This thesis aimed to develop application scenarios for algorithms and machine learning (ML) techniques to predict CKD stages using a Brazilian public health database comprising over seven thousand records containing personal, socioeconomic, clinical, and laboratory information from patients. The proposal explored various combinations of predictor variables to serve as a basis for ML methods capable of predicting disease progression, thereby reducing reliance on traditional markers such as serum creatinine, commonly used in related literature. Based on these variable combinations, connected to clinical exams and personal data, this work also sought to identify the smallest viable set of predictor variables for the six stages of CKD. In developing the scenarios, three different dataset configurations were explored to derive distinct perspectives on content representation. Various methods were applied to infer missing data, along with techniques aimed at balancing the data, selecting relevant variables, and partitioning the data for classification purposes. Additionally, supervised ML algorithms with diverse theoretical foundations and objectives were employed to facilitate a comparative analysis of the results. The outcomes varied across the proposed scenarios. In the first scenario, classifications were performed using the random forest (RF) algorithm, with all approaches achieving high accuracy, except for the dataset excluding serum creatinine as a predictor variable. In the second scenario, which included 25 variables but excluded creatinine, the extreme gradient boosting (XGBoost) algorithm demonstrated high accuracy comparable to values reported in the literature, despite the latter’s inclusion of creatinine. In the third scenario, dataset imbalance was addressed using different methods, and classification was performed based on only three predictor variables. Although the overall results did not meet expectations, some findings were promising for detecting early CKD stages. In the fourth scenario, missing data inference was handled using the copula-based approach, but results were unsatisfactory. Lastly, the fifth scenario was the most comprehensive in terms of data organization, processing, selection, and classification; however, the new approaches did not lead to significant improvements in results. In conclusion, some of the developed scenarios successfully met the objectives outlined in this thesis, especially as they retained the use of traditional disease markers. The promising results may have potential applications in daily clinical practice and could assist in the early diagnosis of chronic kidney disease.
Keywords: Aprendizado de máquina
Algoritmo de classificação
Doença renal crônica
Taxa de filtração glomerular
Sistema único de saúde
Machine learning
Classification algorithm
Chronic kidney disease
Glomerular filtration rate
Public health system
CNPq: CNPQ::CIENCIAS EXATAS E DA TERRA
Language: por
Country: Brasil
Publisher: Universidade Federal de Juiz de Fora (UFJF)
Institution Initials: UFJF
Department: ICE – Instituto de Ciências Exatas
Program: Programa de Pós-graduação em Modelagem Computacional
Access Type: Acesso Aberto
Attribution-ShareAlike 3.0 Brazil
Creative Commons License: http://creativecommons.org/licenses/by-sa/3.0/br/
URI: https://repositorio.ufjf.br/jspui/handle/ufjf/17794
Issue Date: 12-Sep-2024
Appears in Collections:Doutorado em Modelagem Computacional (Teses)



This item is licensed under a Creative Commons License Creative Commons