A Epidemia Silenciosa: Explorando os Determinantes Comportamentais e Socioeconômicos da Deficiência Renal Crônica no Brasil

• Marco T. Sousa Pontifícia Universidade Católica de Minas Gerais
• Luis E. Zarate Pontifícia Universidade Católica de Minas Gerais

DOI: https://doi.org/10.5753/sbbd_estendido.2024.243624

Resumo

De acordo com a Pesquisa Nacional da Saúde ( PNS ), a Deficiência Renal Crônica ( DRC ) afeta cerca de dois milhões de pessoas. A DRC é uma condição médica que resulta de uma interação complexa de fatores biológicos e sociais, e é conhecida por ter dificuldades tanto no diagnóstico quanto no prognóstico. Diante disso, o objetivo é aplicar técnicas de aprendizado de máquina para caracterizar o perfil de indivíduos portadores da doença considerando diversos fatores socioeconômicos, de saúde, etc. O trabalho propõe um método para descoberta de conhecimento com a aplicação dos algoritmos Árvore de Decisão, Naive Bayes, e Floresta Aleatória, tendo este último alcançado o melhor desempenho. Esse estudo fornece uma discussão sobre os fatores identificados, incluindo a forte relação entre hipertensão, consumo de sal, tipo de cidade onde mora, etc.

Palavras-chave: Determinantes Comportamentais, Determinantes Socioeconômicos, Deficiência Renal Crônica

Referências

Fernandes, G. and Costa, M. (2021). Machine learning techniques for early detection of chronic kidney disease in brazil. Artificial Intelligence in Medicine, 117(4):153–167.

Loyola-González, O. (2019). Black-box vs. white-box: Understanding their advantages and weaknesses from a practical point of view. IEEE Access, 7:154096–154113.

Methodology, B. M. R. (2023). Comparison of the effects of imputation methods for missing data in predictive modelling. In Example, C. and Sample, B., editors, BMC Medical Research Methodology, pages 15–20. BioMed Central.

MS-BRASIL (2024). Ministério de saúde, brasil. Ministério de Saúde, Brasil, gv.br.

Oliveira, A. and Santos, M. (2023). Application of machine learning algorithms in chronic kidney disease prediction: A brazilian study. Journal of Medical Systems, 47(2):289–305.

OMS (2022). The global impact of chronic kidney disease. In Division, W. H. S., editor, Global Health Statistics 2023, pages 45–60. World Health Organization.

Pereira, L. and Silva, R. (2022). Utilizing machine learning for the diagnosis of chronic kidney disease in brazilian patients. Health Informatics Journal, 28(1):112–125.

SBN (2023). Impacto da doença renal crônica no brasil. In Silva, J., editor, Relatório Anual da Sociedade Brasileira de Nefrologia, pages 23–45. Sociedade Brasileira de Nefrologia.

Souza, T. and Lima, F. (2022). Predictive models for chronic kidney disease: A study in brazilian population using machine learning. BMC Medical Informatics and Decision Making, 22(3):210–223.