Modelos de predição para dados censurados aplicados a pacientes com doença renal crônica em terapia de substituição renal
| dc.contributor.advisor | Silveira, Liciana Vaz de Arruda [UNESP] | |
| dc.contributor.advisor | Ponce, Daniela [UNESP] | |
| dc.contributor.author | Galletti, Agda Jéssica de Freitas | |
| dc.contributor.institution | Universidade Estadual Paulista (Unesp) | |
| dc.date.accessioned | 2022-10-20T14:33:53Z | |
| dc.date.available | 2022-10-20T14:33:53Z | |
| dc.date.issued | 2022-08-17 | |
| dc.description.abstract | A doença renal crônica, caracterizada pela alteração da função renal de modo progressivo e irreversível, é não transmissível e uma das principais causas de mortalidade em todo o mundo. Pacientes em estágio muito avançado da doença necessitam iniciar a terapia renal substitutiva, isto é, diálise peritoneal (DP), hemodiálise (HD) ou transplante renal. Segundo a Sociedade Brasileira de Nefrologia, em 2020, 144.779 pacientes estavam em diálise, sendo que, anualmente, cerca de 20 mil novos pacientes iniciaram o tratamento de hemodiálise e apresentam taxa de mortalidade de 15% ao ano. A análise estatística pode auxiliar no planejamento e no desenvolvimento de estratégias para o controle da doença, importante para a manutenção, gestão, prevenção e avaliação de políticas voltadas à saúde. Além disso, a predição do prognóstico de doenças é um dos principais objetivos para médicos e gestores de saúde pública, que pode ser utilizada para direcionamento de intervenções preventivas e podem fornecer a probabilidade do paciente ter ou desenvolver uma determinada doença. Portanto, este trabalho tem como objetivo obter os fatores associados à mortalidade de pacientes em tratamento dialítico por meio de algoritmos de aprendizado de máquina com inclusão dos tempos de sobrevivência censurados. Como resultado, o modelo de Cox teve melhor desempenho preditivo. E também, pacientes que iniciaram a terapia renal substitutiva em hemodiálise têm maior risco de morte do que aqueles que iniciaram com diálise peritoneal. Entretanto, pacientes internados e que iniciaram o tratamento em HD terão menor risco de morte do que aqueles que iniciaram com DP. Além disso, independente do tratamento iniciado, pacientes que foram internados têm maior risco de morte. O modelo de Cox ajustado indicou a idade como um fator de risco, conforme indicado na literatura. Diferentemente, a presença de doenças de base não foram significativas para explicar o tempo de vida dos pacientes em tratamento. | pt |
| dc.description.abstract | Chronic kidney disease, characterized by progressive and irreversible loss of kidney function, is noncommunicable and one of the main causes of mortality worldwide. Patients in an advanced stage of the disease need to start renal replacement therapy, that is, peritoneal dialysis (PD), hemodialysis (HD) or kidney transplant. According to the Brazilian Society of Nephrology, in 2020, 144,779 patients were on dialysis, with around 20,000 new patients starting hemodialysis annually and a mortality rate of 15% per year. Statistical analysis can assist in the planning and development of strategies for disease control, which is important for the maintenance, management, prevention and evaluation of health policies. In addition, the prediction of disease prognosis is one of the main goals for physicians and public health managers, which can be used to target preventive interventions and can provide the probability of the patient having or developing a certain disease. Therefore, this work aims to obtain the factors associated with mortality of patients on dialysis through machine learning algorithms including censored survival times. As a result, the Cox model had the best predictive performance. Also, patients who started renal replacement therapy on hemodialysis have a higher risk of death than those who started on peritoneal dialysis. However, a patient who is hospitalized and started on HD will have a lower risk of death than a patient who started on PD. In addition, regardless of the treatment initiated, patients who are hospitalized have a higher risk of death. The adjusted Cox model indicated age as a risk factor, according to some references in the literature. Unlike, the presence of underlying diseases was non-significant to explain the lifetime of patients under treatment. | en |
| dc.identifier.capes | 33004064083P2 | |
| dc.identifier.uri | http://hdl.handle.net/11449/237160 | |
| dc.language.iso | por | |
| dc.publisher | Universidade Estadual Paulista (Unesp) | |
| dc.rights.accessRights | Acesso restrito | |
| dc.subject | Aprendizado do computador | pt |
| dc.subject | Diálise peritoneal | pt |
| dc.subject | Hemodiálise | pt |
| dc.subject | Análise de sobrevivência | pt |
| dc.subject | Predição | pt |
| dc.subject | Machine learning | en |
| dc.subject | Peritoneal dialysis | en |
| dc.subject | Hemodialysis | en |
| dc.subject | Survival prediction model | en |
| dc.title | Modelos de predição para dados censurados aplicados a pacientes com doença renal crônica em terapia de substituição renal | pt |
| dc.title.alternative | Prediction models for censored data applied to chronic kidney disease patients on renal replacement therapy | en |
| dc.type | Tese de doutorado | |
| unesp.campus | Universidade Estadual Paulista (Unesp), Instituto de Biociências, Botucatu | pt |
| unesp.embargo | 24 meses após a data da defesa | pt |
| unesp.examinationboard.type | Banca pública | pt |
| unesp.graduateProgram | Biometria - IBB | pt |
| unesp.knowledgeArea | Biometria | pt |
| unesp.researchArea | Bioestatística | pt |
Arquivos
Licença do Pacote
1 - 1 de 1
Nenhuma Miniatura disponível
- Nome:
- license.txt
- Tamanho:
- 3.03 KB
- Formato:
- Item-specific license agreed upon to submission
- Descrição: