Prevendo o Risco de Rim em Pacientes com Diabetes Tipo 2

Diabetes é um problema de saúde sério no mundo todo, afetando milhões de pessoas. Entre suas complicações, a Nefropatia Diabética é uma preocupação importante, pois prejudica os rins. Uma maneira de checar problemas nos rins é procurando por uma substância chamada albumina na urina, conhecida como albuminúria. Conseguir prever o risco de albuminúria em pessoas com Diabetes Tipo 2 (T2DM) pode ajudar a tomar ações precoces para evitar danos graves nos rins.

#O que é Diabetes?

Diabetes é uma condição crônica que aumenta os níveis de açúcar no sangue. Existem vários tipos de diabetes, incluindo tipo 1, tipo 2, diabetes gestacional e alguns outros. O diabetes tipo 2 é o mais comum, representando mais de 90% dos casos de diabetes. Estilos de vida não saudáveis-como alimentação ruim, falta de exercícios e obesidade-tem um papel grande no aumento do T2DM. Fatores genéticos, como histórico familiar e raça, também podem aumentar o risco.

#Complicações do Diabetes

Quando o diabetes não é bem controlado, pode levar a várias complicações. Uma grande complicação é o dano aos rins, conhecido como nefropatia diabética. Esse dano pode ser sério, levando à doença renal crônica (DRC). A DRC é diagnosticada quando há marcadores de dano nos rins ou quando a capacidade de filtração dos rins cai abaixo de um certo nível por pelo menos três meses.

Altos níveis de albumina na urina indicam problemas nos rins. A albuminúria é categorizada em dois tipos: microalbuminúria e macroalbuminúria. A microalbuminúria acontece quando há uma pequena quantidade de albumina na urina, enquanto a macroalbuminúria indica uma quantidade maior. Como a albuminúria pode indicar problemas renais, é crucial que os pacientes diabéticos estejam cientes do seu risco.

#Objetivo do Estudo

Esse estudo se concentra em criar um modelo para prever o risco de desenvolver albuminúria em pacientes com T2DM. Os objetivos são identificar qual método de Aprendizado de Máquina funciona melhor para a detecção precoce desse problema e reunir informações sobre os Fatores de Risco envolvidos.

#Pesquisa Relacionada

Houve um aumento no interesse de usar ferramentas de aprendizado de máquina para prever albuminúria em pacientes diabéticos. Estudos anteriores mostraram que vários fatores podem ajudar a prever essa condição, como pressão arterial, níveis de glicose e colesterol.

Um estudo analisou múltiplos fatores em um grupo de pacientes diabéticos e descobriu que certos métodos de aprendizado de máquina se saíram bem em prever albuminúria. Outro estudo focou em uma população diferente e usou aprendizado de máquina para analisar fatores de risco similares. Esses estudos ressaltam a importância de usar tecnologia para entender e prever riscos à saúde.

#Conjunto de Dados Usado

Para esse projeto, foi usado um conjunto de dados privado com registros de pacientes diabéticos. O conjunto tem 184 entradas, cada uma contendo 10 fatores diferentes e uma variável alvo, que indica se o paciente tem função renal normal ou albuminúria. O conjunto de dados foi coletado de uma instalação de saúde, garantindo a confidencialidade ao anonimizar as informações dos pacientes.

Os fatores incluídos no conjunto de dados são:

• Duração do diabetes: Quanto tempo o paciente tem diabetes.
• Índice de Massa Corporal (IMC): Uma medida da gordura corporal baseada em altura e peso.
• Níveis de colesterol: Inclui níveis de HDL (colesterol bom), LDL (colesterol ruim) e colesterol total.
• Níveis de triglicerídeos: Outro tipo de gordura no sangue.
• Níveis de glicose: Uma medida do açúcar no sangue.
• Pressão arterial: A pressão do sangue nas artérias.
• Níveis de creatinina: Um produto residual que indica a função renal.
• Níveis de HbA1c: Uma medida da média de açúcar no sangue ao longo de um período.

#Metodologia

O estudo usou várias técnicas de aprendizado supervisionado para analisar o conjunto de dados. Isso inclui métodos como Naive Bayes, Máquinas de Vetores de Suporte (SVM), árvores de decisão, florestas aleatórias e mais. Uma abordagem de aprendizado profundo conhecida como Perceptron de Múltiplas Camadas (MLP) também foi testada.

Assim que os algoritmos foram configurados, o conjunto de dados foi dividido em duas partes: uma para treinar os modelos e outra para testar seu desempenho. O objetivo era avaliar quão bem cada método poderia prever albuminúria entre os pacientes diabéticos.

#Resultados do Estudo

Depois de rodar os modelos, descobriu-se que o algoritmo MLP teve o melhor desempenho. Esse método alcançou alta precisão e f1-score, que indica quão bem o modelo conseguiu equilibrar precisão (previsões positivas corretas) e recall (identificação correta de positivos reais).

• O modelo MLP mostrou uma precisão de 74%, o que significa que identificou corretamente 74% dos casos.
• O f1-score ficou em torno de 71%, mostrando um bom equilíbrio entre precisão e recall.

Outros métodos de aprendizado de máquina geralmente se saíram pior, com alguns mostrando menos de 50% de precisão.

#Análise de Erros

Para entender melhor o desempenho do modelo MLP, foi realizada uma análise de erros. Isso envolveu olhar onde o modelo fez previsões incorretas. Observou-se que algumas previsões estavam próximas da fronteira entre casos normais e albuminúria. Isso sugere que certos dados de pacientes podem ter características que se sobrepõem, dificultando a diferenciação entre as duas categorias.

Vários fatores contribuem para essa complexidade. Por exemplo, alguns pacientes podem não desenvolver albuminúria apesar de altos níveis de glicose e lipídios, enquanto outros com níveis normais podem ainda assim desenvolver a condição. Isso destaca a natureza intrincada da saúde humana e os muitos fatores que influenciam o desenvolvimento de doenças.

#Recomendações para Pesquisas Futuras

Para melhorar ainda mais a precisão do modelo, é sugerido aumentar o tamanho e a diversidade do conjunto de dados. Coletar dados de pacientes mais variados pode ajudar os algoritmos a aprenderem melhor com padrões complexos. Além disso, explorar outras técnicas de aprendizado profundo pode aprimorar as previsões e fornecer insights mais profundos.

#Conclusão

Em conclusão, o estudo desenvolveu com sucesso um modelo de aprendizado supervisionado para prever o risco de albuminúria em pacientes T2DM. O método MLP se destacou pelo seu forte desempenho. À medida que o diabetes continua sendo uma questão de saúde urgente, usar tecnologias avançadas como aprendizado de máquina pode ajudar na detecção precoce e melhor manejo das complicações relacionadas, contribuindo para uma melhor assistência e resultados para os pacientes. O trabalho futuro nessa área promete ferramentas preditivas mais eficazes e intervenções.