Application of Machine Learning and Artificial Neural Networks for classification of Chronic Kidney Disease through non-invasive variables

Autor: SILVA JUNIOR, Ronaldo dos Santos
Přispěvatelé: SANTANA , Ewaldo Eder Carvalho, SOUSA, Nilviane Pires Silva, BARROS FILHO, Allan Kardec Duailibe, SANTOS, Giselle Cutrim de Oliveira
Jazyk: portugalština
Rok vydání: 2022
Předmět:
Zdroj: Biblioteca Digital de Teses e Dissertações da UFMA
Universidade Federal do Maranhão (UFMA)
instacron:UFMA
Popis: Submitted by Maria Aparecida (cidazen@gmail.com) on 2022-08-19T14:02:33Z No. of bitstreams: 1 Ronaldo dos Santos Silva J..pdf: 11355112 bytes, checksum: ee7d9923c71e6ed5c2ac19bb65c6cd20 (MD5) Made available in DSpace on 2022-08-19T14:02:33Z (GMT). No. of bitstreams: 1 Ronaldo dos Santos Silva J..pdf: 11355112 bytes, checksum: ee7d9923c71e6ed5c2ac19bb65c6cd20 (MD5) Previous issue date: 2022-02-18 CAPES Areas of Artificial Intelligence (AI), machine learning and artificial neural networks are underlined in the development of techniques, which require prior preparation of the database so that the algorithm performs the automatic classification of the database. In recent years, machine learning and statistical analysis techniques have been applied by health researchers in order to make clinical prognostic, decision-making, health care management, diagnosis and monitoring of various diseases feasible. Chronic Kidney Disease, one of the most globally prevalent NCDs, is characterized by the progressive and irreversible loss of glomerular, tubular and endocrine renal function. Early diagnosis of CKD is considered a great challenge, since in early stages the disease is characteristically asymptomatic and clinical manifestations stand out among the stages of moderate to severe renal failure. In order to diagnose CKD, Regression Logistic and ANN models were used, in which 5-fold cross validation was used in a dataset of 291 individuals over 18 years of age. The models had a good performance, both having the area under the ROC curve (AUROC) = 0.94, and the ANN obtained an accuracy and sensitivity of 87%, whereas the Regression obtained an accuracy and sensitivity of 85%. Thus, our models achieved acceptable performance for classifying CKD patients, presenting themselves as a low-cost alternative for the disease screening. Áreas da Inteligência Artificial (IA), o aprendizado de máquina e as redes neurais artificiais ganham destaque no desenvolvimento de técnicas, as quais exigem um preparo prévio do conjunto de dados para que o algoritmo execute a classificação automática do conjunto de dados. Nos últimos anos, técnicas de aprendizado de máquina e análise estatística vêm sendo aplicadas por pesquisadores da área da saúde, a fim de viabilizar tomada de decisões de prognósticos clínicos, gestão de assistência à saúde, diagnóstico e monitoramento de diversas doenças.A Doença Renal Crônica, uma das DCNT mais prevalentes a nível global, é caracterizada pela perda progressiva e irreversível da função renal glomerular, tubular e endócrina. .O diagnóstico precoce da DRC é considerado um grande desafio, visto que em estágios iniciais a doença é caracteristicamente assintomática e as manifestações clínicas destacam-se entre os estágios de insuficiência renal moderada a severa. A fim de realizar o diagnóstico da DRC, foram utilizados os modelos de Regressão Logística e RNA, onde foi utilizado o 5-fold crossvalidation em um conjunto de dados de 291 indivíduos maiores de 18 anos. Os modelos retornaram um bom desempenho, tendo os dois a área sobre a curva ROC (AUROC) = 0.94, e a RNA obteve uma acurácia e sensibilidade de 87%, já a Regressão obteve acurácia e sensibilidade de 85%. Dessa forma, nossos modelos obtiveram desempenho aceitável para classificar portadores da DRC, apresentando-se como alternativa de baixo custo para o rastreamento da doença.
Databáze: OpenAIRE
Externí odkaz: