Publicação: Cálculo de estadiamento, preditores de risco por meio da comparação de algoritmos de machine learning como estratégia de rastreio à doença renal crônica
Carregando...
Tipo do documento
Data
Direito de acesso
Coleções
Programa
Área do conhecimento
CNPQ::CIENCIAS EXATAS E DA TERRA
Título da Revista
ISSN da Revista
Título de Volume
Autores
Orientador
Coorientador
Resumo
Um dos maiores desafios da Medicina Moderna está em trabalhar com a quantidade e
disponibilidade de dados, pois a decisão por determinado tratamento ou a confirmação de
diagnóstico são apoiados em várias abordagens metodológicas. Dentre as várias patologias
existentes, passíveis e relevantes de uma abordagem através da utilização da Inteligência
Artificial (IA) generativa estão as Doenças Renais Crônicas (DRC), com causas múltiplas no órgão
ou no Sistema Urinário adjuntas a múltiplos fatores de risco previamente existentes no
paciente. A realização de testes e uma avaliação dos resultados mais ágeis e precisas são
extremamente necessárias. Posto isto, o objetivo desta pesquisa foi o de aplicar três técnicas
supervisionadas de Machine Learning (ML) - Árvore de Decisão (DT), Perceptron Multicamadas
(MLP), Rede de Kolmogorov-Arnold (KAN) e comparar suas performances (exatidão, precisão,
recall, F1 score e ROC-AUC) das variáveis predisponentes e correlacionadas aos estadiamentos
da DRC, utilizando a métrica da Inteligência Artificial Explicável (XAI). Utilizando-se de 24
variáveis disponibilizadas no The UCI Machine Learning Repository (2015); com 400 homens
brancos, através de análise exploratória e transversal. Como resultado obteve-se que o modelo
MLP superou os demais, alcançando a maior precisão média (87,2%) e pontuação ROC-AUC
(0,98), indicando forte capacidade preditiva para esta população efetivamente estudada, no
entanto o KAN forneceu um equilíbrio entre forte desempenho e explicabilidade moderada,
mostrando-se promissor para um maior desenvolvimento como um modelo interpretável para
a previsão de DRC. Esta pesquisa destaca a importância de considerar a precisão e a
interpretabilidade na seleção de modelos para aplicações de saúde e posiciona o KAN como um
modelo XAI potencial para predição dos estágios da DRC. Pesquisas futuras poderiam se
concentrar em melhorar a interpretabilidade do KAN e explorar seu uso em outros conjuntos
de dados médicos.
Abstract
One of the biggest challenges of Modern Medicine is working with the quantity and availability
of data, as the decision for a certain treatment or confirmation of diagnosis is supported by
various methodological approaches. Among the various existing pathologies that are subject to
and relevant to an approach through the use of generative Artificial Intelligence (AI) are Chronic
Kidney Diseases (CKD), with multiple causes in the organ or in the Urinary System combined
with multiple risk factors previously existing in the patient. Faster and more accurate testing and
evaluation of results are extremely necessary. That said, the objective of this research was to
apply three supervised Machine Learning (ML) techniques - Decision Tree (DT), Multilayer
Perceptron (MLP), Kolmogorov-Arnold Network (KAN) and compare their performances
(accuracy, precision, recall, F1 score and ROC-AUC) of predisposing variables and correlated
with CKD staging, using the Explainable Artificial Intelligence (XAI) metric. Using 24 variables
available in The UCI Machine Learning Repository (2015); with 400 white men, through
exploratory and transversal analysis. As a result, it was obtained that the MLP model
outperformed the others, achieving the highest average precision (87.2%) and ROC-AUC score
(0.98), indicating strong predictive capacity for this effectively studied population, however KAN
provided a balance between strong performance and moderate explainability, showing promise
for further development as an interpretable model for CKD prediction. This research highlights
the importance of considering accuracy and interpretability when selecting models for
healthcare applications and positions KAN as a potential XAI model for predicting CKD stages.
Future research could focus on improving the interpretability of KAN and exploring its use in
other medical datasets.
Palavras-chave
Doença Renal Crônica, Aprendizado de máquina, Árvores de Decisões, Perceptron Multicamadas, Redes de Kolmogorov-Arnold, Inteligência Artificial Explicável, Chronic Kidney Disease, Machine Learning, Decision Trees, Multi Layer Perceptron, Kolmogorov-Arnold Networks, Explainable Artificial Intelligence
Citação
MEIRELLES, Leonardo Vecchi. Cálculo de estadiamento, preditores de risco por meio da comparação de algoritmos de machine learning como estratégia de rastreio à doença renal crônica. 2025. 77 f. Trabalho de Conclusão de Curso (Graduação em Engenharia de Computação) – Universidade Federal de Uberlândia, Uberlândia, 2025.
DOI
Coleções
Avaliação
Revisão
Suplementado Por
Referenciado Por
Licença Creative Commons
Exceto quando indicado de outra forma, a licença deste item é descrita como Acesso Aberto