AZOUBEL, Luana Monteiro Anaisse, BARROS FILHO, Allan Kardec Duailibe, SOUSA, Nilviane Pires Silva, BARROS, Allan Kardec Duailibe, NASCIMENTO, Maria do Desterro Soares Brandão, SANTOS, Giselle Cutrim de Oliveira, SANTANA, Ewaldo Eder Carvalho, and ROSA, Cláudia Regina de Andrade Arrais
Submitted by Daniella Santos (daniella.santos@ufma.br) on 2022-08-29T14:55:07Z No. of bitstreams: 1 LUANAAZOUBEL.pdf: 4666362 bytes, checksum: c4b58d927bfec886c1b4c249d16d4ec1 (MD5) Made available in DSpace on 2022-08-29T14:55:07Z (GMT). No. of bitstreams: 1 LUANAAZOUBEL.pdf: 4666362 bytes, checksum: c4b58d927bfec886c1b4c249d16d4ec1 (MD5) Previous issue date: 2022-02-04 FAPEMA Chronic kidney disease (CKD) is an important public health problem. It is estimated that currently 11.7 to 15.1% of the world population is affected by this condition. This disease has impacts on the quality of life as it is associated with kidney failure and other adverse outcomes. CKD is not an easy-to-detect disease, and the barriers to making the diagnosis go beyond late symptoms, such as the scarcity of nephrologists and difficult access to specific tests. Estimation of glomerular filtration rate (GFR) through the use of creatinine is the most used method in clinical practice, but it is obtained by biochemical analysis of a blood sample. In this scenario, in order to facilitate the diagnosis of this disease, Machine Learning techniques have been used, as their algorithms are capable of learning and analyzing patterns and using them to solve specific demands in the health field. Thus, the objective of this study was to develop a mathematical model of high reliability and easy handling, capable of estimating the serum creatinine to determine the GFR, only with non-invasive and low cost indicators. 116 healthy adults and chronic renal patients participated in this study. To test the normality of the data, the Kolmogorov-Smirnov test was used in the SPSS® software. To estimate creatinine, the multiple linear regression method was used with the input characteristics: gender, age, SBP and DBP, and Pearson's correlation to compare the estimated and actual values of creatinine and GFR, in the MATLAB® program. Descriptive statistics of the sample were presented as absolute values for gender and ethnicity, and as mean and standard deviation (SD) for: age, BMI, height, weight, waist circumference, SBP, DBP, serum creatinine and GFR. The mathematical model used showed a strong correlation for both creatinine: r=0.72 with SD=0.14; and GFR: r=0.87 with SD=13.2. The computational model implemented in this study was efficient in estimating the serum creatinine, showing a strong correlation between the estimated and the real value, the same occurred for the GFR, but with better performance. Therefore, the software developed in this study is able to estimate renal function and can be a great ally for preventive measures and early treatment of CKD in the low-income population. A Doença renal crônica (DRC) tem se mostrado um importante problema de saúde pública. Estima-se que atualmente 11,7 a 15,1% da população mundial seja acometida por esta condição. Tal enfermidade traz consigo impactos para a qualidade de vida do indivíduo pois está associada a falência renal e outros desfechos adversos. A DRC não é uma doença de fácil detecção, e as barreiras para realização do diagnóstico vão além dos sintomas tardios, como a escassez de nefrologistas e difícil acesso aos exames específicos. A estimativa da taxa de filtração glomerular (TFG) através do uso da creatinina é o método mais recomendado para a prática clínica, porém é obtida por análise bioquímica de amostra sanguínea. Neste contexto, com intuito de facilitar o diagnóstico desta doença, têm se utilizado técnicas de Aprendizado de Máquina, pois seus algoritmos são capazes de aprender e analisar padrões e utilizá-los para solucionar demandas específicas no âmbito da saúde. Portanto, o objetivo desse estudo foi desenvolver um modelo matemático de alta confiabilidade e fácil manuseio, capaz de estimar a creatinina sérica para determinar a TFG, apenas com indicadores não invasivos e de baixo custo. Participaram deste estudo 116 indivíduos adultos hígidos e renais crônicos. Para testar a normalidade dos dados foi utilizado o teste de Kolmogorov-Smirnov, no software SPSS®. Para estimativa da creatinina foi utilizado o método de regressão linear múltipla com as características de entrada: gênero, idade, PAS e PAD, e correlação de Pearson para comparar os valores estimados e reais de creatinina e TFG, no programa MATLAB®. A estatística descritiva foi apresentada para ambos os grupos em valores absolutos para gênero e etnia, e em média e desvio padrão (DP) para: idade, IMC, estatura, peso, circunferência de cintura, PAS, PAD, Creatinina sérica e TFG. O modelo matemático utilizado apresentou correlação forte tanto para creatinina: r=0,72 com DP=0,14; quanto para TFG: r=0,87 com DP=13,2. O modelo computacional implementado neste estudo foi eficiente em estimar a creatinina sérica, demonstrando forte correlação entre o valor estimado e o real, o mesmo ocorreu para a TFG, porém com melhor desempenho. Portanto, o software desenvolvido neste estudo é capaz de estimar a função renal e pode ser um grande aliado para medidas de prevenção e tratamento precoce da DRC na população economicamente vulnerável.