Your browser doesn't support javascript.
loading
Prediction of metabolic syndrome and its associated risk factors in patients with chronic kidney disease using machine learning techniques.
Bittencourt, Jalila Andréa Sampaio; Sousa Junior, Carlos Magno; Santana, Ewaldo Eder Carvalho; Moraes, Yuri Armin Crispim de; Carneiro, Erika Cristina Ribeiro de Lima; Fontes, Ariadna Jansen Campos; Chagas, Lucas Almeida das; Melo, Naruna Aritana Costa; Pereira, Cindy Lima; Penha, Margareth Costa; Pires, Nilviane; Araujo Júnior, Edward; Barros Filho, Allan Kardec Duailibe; Nascimento, Maria do Desterro Soares Brandão.
Afiliação
  • Bittencourt JAS; Universidade Federal do Maranhão, Departamento de Engenharia Eletrônica, Laboratório de Processamento da Informação Biológica, São Luiz, MA, Brazil.
  • Sousa Junior CM; Universidade Federal do Maranhão, Departamento de Ciência da Computação, Laboratório de Aquisição e Processamento de Sinais, São Luiz, MA, Brazil.
  • Santana EEC; Universidade Federal do Maranhão, Departamento de Ciência da Computação, Laboratório de Aquisição e Processamento de Sinais, São Luiz, MA, Brazil.
  • Moraes YAC; Universidade Federal do Maranhão, Departamento de Engenharia Eletrônica, Laboratório de Processamento da Informação Biológica, São Luiz, MA, Brazil.
  • Carneiro ECRL; Universidade Federal do Maranhão, Hospital Universitário, Centro de Prevenção de Doenças Renais, São Luiz, MA, Brazil.
  • Fontes AJC; Universidade Federal do Maranhão, Centro de Ciências Biológicas e da Saúde, Laboratório de Imunofisiologia, São Luiz, MA, Brazil.
  • Chagas LAD; Universidade Federal de São Paulo, Escola Paulista de Medicina, Departamento de Obstetrícia, São Paulo, SP, Brazil.
  • Melo NAC; Universidade Federal do Maranhão, Laboratório de Ciências Biológicas, Laboratório de Genética e Biologia Molecular, São Luiz, MA, Brazil.
  • Pereira CL; Universidade Federal do Maranhão, Departamento de Engenharia Eletrônica, Laboratório de Processamento da Informação Biológica, São Luiz, MA, Brazil.
  • Penha MC; Universidade Ceuma, Departamento de Biomedicina, Laboratório de Ciências Biomédicas, São Luiz, MA, Brazil.
  • Pires N; Universidade Federal do Maranhão, Departamento de Engenharia Eletrônica, Laboratório de Processamento da Informação Biológica, São Luiz, MA, Brazil.
  • Araujo Júnior E; Universidade Federal de São Paulo, Escola Paulista de Medicina, Departamento de Obstetrícia, São Paulo, SP, Brazil.
  • Barros Filho AKD; Universidade Federal do Maranhão, Departamento de Engenharia Eletrônica, Laboratório de Processamento da Informação Biológica, São Luiz, MA, Brazil.
  • Nascimento MDDSB; Universidade Federal do Maranhão, Departamento de Medicina, Programa de Pós-Graduação em Saúde do Adulto, São Luiz, MA, Brazil.
J Bras Nefrol ; 46(4): e20230135, 2024.
Article em En, Pt | MEDLINE | ID: mdl-39133895
ABSTRACT

INTRODUCTION:

Chronic kidney disease (CKD) and metabolic syndrome (MS) are recognized as public health problems which are related to overweight and cardiometabolic factors. The aim of this study was to develop a model to predict MS in people with CKD.

METHODS:

This was a prospective cross-sectional study of patients from a reference center in São Luís, MA, Brazil. The sample included adult volunteers classified according to the presence of mild or severe CKD. For MS tracking, the k-nearest neighbors (KNN) classifier algorithm was used with the following inputs gender, smoking, neck circumference, and waist-to-hip ratio. Results were considered significant at p < 0.05.

RESULTS:

A total of 196 adult patients were evaluated with a mean age of 44.73 years, 71.9% female, 69.4% overweight, and 12.24% with CKD. Of the latter, 45.8% had MS, the majority had up to 3 altered metabolic components, and the group with CKD showed statistical significance in waist circumference, systolic blood pressure, diastolic blood pressure, and fasting blood glucose. The KNN algorithm proved to be a good predictor for MS screening with 79% accuracy and sensitivity and 80% specificity (area under the ROC curve - AUC = 0.79).

CONCLUSION:

The KNN algorithm can be used as a low-cost screening method to evaluate the presence of MS in people with CKD.
Assuntos
Texto completo
Adicionar na Minha BVS
Imprimir
XML
PubMed Links
Buscar no Google

Texto completo: 1 Coleções: 01-internacional Base de dados: MEDLINE Assunto principal: Síndrome Metabólica / Insuficiência Renal Crônica / Aprendizado de Máquina Limite: Adult / Female / Humans / Male / Middle aged País/Região como assunto: America do sul / Brasil Idioma: En / Pt Revista: J Bras Nefrol Assunto da revista: NEFROLOGIA Ano de publicação: 2024 Tipo de documento: Article País de afiliação: Brasil País de publicação: Brasil
Texto completo
Adicionar na Minha BVS
Imprimir
XML
PubMed Links
Buscar no Google

Texto completo: 1 Coleções: 01-internacional Base de dados: MEDLINE Assunto principal: Síndrome Metabólica / Insuficiência Renal Crônica / Aprendizado de Máquina Limite: Adult / Female / Humans / Male / Middle aged País/Região como assunto: America do sul / Brasil Idioma: En / Pt Revista: J Bras Nefrol Assunto da revista: NEFROLOGIA Ano de publicação: 2024 Tipo de documento: Article País de afiliação: Brasil País de publicação: Brasil