@MASTERSTHESIS{ 2021:486392286,
 	title = {Predição de síndrome metabólica em indivíduos com doença renal crônica utilizando técnicas de aprendizado de máquina},
 	year = {2021},
 	url = "https://tedebc.ufma.br/jspui/handle/tede/tede/3509",
 	abstract = "A doença renal crônica (DRC) e a síndrome metabólica (SM) possuem íntima ligação
 com o excesso de peso, obesidade e fatores de risco cardiometabólicos. A detecção
 precoce destas patologias torna-se necessária, a fim de retardar as complicações a
 elas associadas. Desta forma, métodos de triagem para o rastreamento de SM são de
 grande importância, visto que, a SM pode impactar de forma negativa na progressão
 da DRC. Com base nisso, o estudo teve por objetivo desenvolver um modelo para
 predição do risco para SM em pessoas com DRC. Trata-se de um estudo transversal,
 realizado com pacientes oriundos do Centro de Prevenção de Doenças Renais
 (CPDR) do Hospital Universitário da Universidade Federal do Maranhão (HUUFMA).
 A amostra foi composta por voluntários de ambos os sexos com idade a partir de 20
 anos, classificados de acordo com seu estado de saúde (DRC leve ou DRC grave). Os
 estágios da DRC foram classificados de acordo com a taxa de filtração glomerular
 (TFG), o diagnóstico sugestivo de SM foi definido de acordo com o proposto pela
 International Diabetes Federation (IDF) e foram avaliados dados antropométricos,
 bioquímicos, hemodinâmicos e hábitos de vida. Para o rastreamento da SM, utilizouse o algoritmo classificador k-vizinhos mais próximos (KNN), um método do
 aprendizado de máquina (AM) supervisionado. Para implementação do algoritmo
 classificador, utilizou-se entradas de baixo custo e fácil utilização como: gênero,
 tabagismo, circunferência do pescoço (CP) e a relação cintura-quadril (RCQ). A
 construção do algoritmo classificador e implementação do software se deu por meio
 do programa Matlab®. Para o arquivo de dados e a análise estatística, utilizou-se o
 software SPSS®, sendo aplicado os seguintes testes estatísticos: KolmogorovSmirnov, t de Student, Mann-Whitney U e curva ROC. Os resultados foram considerados estatisticamente significativos para p<0,05. Foram avaliados 196 indivíduos adultos com idade média de 44,73±15,96 anos, dos quais 71,9% (n=141)
 corresponderam ao gênero feminino e 69,4% (n=136) possuíam excesso de peso. Da
 amostra investigada, 45,8% (n=11; p=0,006) dos portadores de DRC possuíam SM,
 com maioria apresentando até 3 componentes metabólicos alterados. Destes
 componentes, o grupo com DRC apresentou maiores valores de média/mediana em
 todos os parâmetros, com significância estatística em: circunferência da cintura (CC)
 (94,85±11,7; p=0,02), pressão arterial sistólica (PAS) [134(123,25-165,5) mmHg;
 p<0,001], pressão arterial diastólica (PAD) [86,5(76,25-91) mmHg; p=0,019] e glicemia
 em jejum (GJ) [81(75-88) mg/dL; p=0,001]. O algoritmo KNN mostrou-se um bom
 preditor para rastreamento de SM, visto que apresentou acurácia e sensibilidade de
 79%, especificidade de 80%, tendo seu desempenho avaliado pela curva ROC
 (AUC=0,79). Desta forma, o algoritmo KNN pode ser utilizado como método de
 triagem com alta sensibilidade e baixo custo para avaliar a presença de SM em
 pessoas com DRC.",
 	publisher = {Universidade Federal do Maranhão},
 	scholl = {PROGRAMA DE PÓS-GRADUAÇÃO EM SAÚDE DO ADULTO E DA CRIANÇA/CCBS},
 	note = {DEPARTAMENTO DE PATOLOGIA/CCBS}
}