Classificação do risco de nefrotoxicidade em pacientes em tratamento com Fumarato de Tenofovir Desoproxila: uma abordagem utilizando algoritmos de aprendizado de máquina

Abstract

O Vírus da Imunodeficiência Humana (HIV) continua sendo um importante problema de saúde pública mundial e, apesar dos grandes avanços nos tratamentos com terapias antirretrovirais (TARV), esses medicamentos ainda causam diversos efeitos colaterais, sendo um deles a nefrotoxicidade, que é comumente associada ao uso do Fumarato de Tenofovir Desoproxila (TDF). Este trabalho teve como objetivo desenvolver e validar modelos preditivos para a classificação do risco de nefrotoxicidade em pacientes usando TDF, utilizando algoritmos de redes neurais artificiais baseados em técnicas de aprendizado de máquina. Foram analisadas variáveis clínicas e laboratoriais de pacientes, cedidas por um estudo realizado em um hospital na Zâmbia. Foi desenvolvida uma rede neural do tipo Multilayer Perceptron (MLP) com duas camadas ocultas e função de ativação sigmoide, a qual apresentou desempenho satisfatório na tarefa de classificação, alcançando acurácia de 92,1%, especificidade e precisão de 100%, além de área sob a curva ROC (AUC) de 0,869. A sensibilidade de aproximadamente 64,4% revelou possível influência do desbalanceamento das classes – 77,83% dos pacientes não desenvolveram nefrotoxicidade, enquanto 22,17% tiveram a doença. Para tentar mitigar esse efeito, foram aplicadas estratégias de divisão da base de dados em 70% para treinamento e 30% para teste. Com isso, foram testados modelos adicionais, com uma única camada oculta e função de ativação logística, variando o número de neurônios (13 e 26). Porém, ambos apresentaram desempenho inferior ao modelo inicial, com reduções significativas em todas as métricas analisadas. Dessa forma, o modelo com duas camadas ocultas se mostrou o mais robusto e eficaz para a classificação do risco de nefrotoxicidade, evidenciando que o uso de redes neurais artificiais representa uma ferramenta promissora no apoio ao diagnóstico e à tomada de decisão clínica, contribuindo para um tratamento mais seguro e personalizado de pessoas que vivem com HIV.

The Human Immunodeficiency Virus (HIV) remains a major global public health issue. Despite significant advances in treatment through antiretroviral therapy (ART), these medications are still associated with several adverse effects, one of which is nephrotoxicity, commonly linked to the use of Tenofovir Disoproxil Fumarate (TDF). This study aimed to develop and validate predictive models for classifying the risk of nephrotoxicity in patients receiving TDF, using artificial neural network algorithms based on machine learning techniques. Clinical and laboratory variables from patients were analyzed, provided by a study conducted in a hospital in Zambia. A Multilayer Perceptron (MLP) neural network with two hidden layers and a sigmoid activation function was developed, showing satisfactory performance in the classification task, achieving an accuracy of 92.1%, specificity and precision of 100%, and an area under the ROC curve (AUC) of 0.869. The sensitivity of approximately 64.4% indicated a possible influence of class imbalance – 77.83% of patients did not develop nephrotoxicity, while 22.17% did. To try and mitigate this effect, a data split of 70% for training and 30% for testing were applied. Additional models with a single hidden layer and logistic activation function were tested, varying the number of neurons (13 and 26). However, both presented inferior performance compared to the initial model, with significant reductions across all evaluated metrics. Therefore, the model with two hidden layers proved to be the most robust and effective for classifying nephrotoxicity risk, demonstrating that artificial neural networks are a promising tool to support diagnosis and clinical decision-making, contributing to safer and more personalized treatment for people living with HIV.