Navegar por:

Avaliação do modelo de aprendizado de máquina com a melhor performance para predizer a resistência insulínica em adolescentes do Estudo de Riscos Cardiovasculares em Adolescentes

Use este link compartilhar ou citar este material: http://educapes.capes.gov.br/handle/capes/923463
Registro completo de metadados
MetadadosDescriçãoIdioma
Autor(es): dc.contributorRodrigues, Rodolfo Rego Deusdara-
Autor(es): dc.creatorSilva, Jéssica Aparecida-
Data de aceite: dc.date.accessioned2025-03-17T23:21:50Z-
Data de disponibilização: dc.date.available2025-03-17T23:21:50Z-
Data de envio: dc.date.issued2025-02-25-
Data de envio: dc.date.issued2025-02-25-
Data de envio: dc.date.issued2025-02-25-
Data de envio: dc.date.issued2024-12-08-
Fonte completa do material: dc.identifierhttp://repositorio.unb.br/handle/10482/51728-
Fonte: dc.identifier.urihttp://educapes.capes.gov.br/handle/capes/923463-
Descrição: dc.descriptionIntrodução: A resistência à insulina é definida como uma diminuição da resposta dos tecidos às ações celulares mediadas pela insulina, sendo o inverso da sensibilidade à insulina. Atualmente existem métodos considerados padrão-ouro para medir a resistência à insulina, como o clamp euglicêmico hiperinsulinêmico e o clamp hiperglicêmico. Mas, estes métodos são caros, trabalhosos e raramente utilizados em grandes estudos epidemiológicos. Objetivo: Avaliar o melhor modelo preditivo de aprendizado de máquina para prever a resistência à insulina no Estudo de Riscos Cardiovasculares em Adolescentes (ERICA) 2013-2014. Métodos: Estudamos aproximadamente 38.000 adolescentes, utilizando as variáveis HDL colesterol, LDL colesterol, triglicerídeos, circunferência da cintura, estado nutricional, inatividade física, tabagismo, consumo de álcool, comportamento sedentário, nível socioeconômico, pressão arterial e idade para criação dos modelos de aprendizado de máquina. A amostra foi estratificada por sexo e desenvolvemos os modelos: Regressão Logística (RL), Poisson, Rede Neural Profunda (RNP), XGBoost, Random Forest (RF), Decision Tree (DT) e Support Vector Machine (SVM). Avaliámos os modelos utilizando a área sob a curva (AUC), as curvas de calibração e a análise da curva de decisão (DCA) e o gráfico SHapley Additive exPlanations. Resultados: Os modelos RL, Poisson, XGBoost, RNP e RF apresentaram a AUC mais elevada, variando entre 0,72 e 0,8 para meninos e meninas. Três modelos (RL, XGBoost e RNP) apresentaram uma calibração mais elevada nas meninas do que nos meninos, 80% e 60%, respetivamente. A curva DCA mostrou valores de prevalência em torno de 18% para as meninas e 16% para os meninos e, para além deste limiar de probabilidade, todos os modelos, com exceção do modelo SVM, poderiam ser benéficos na intervenção clínica. Por fim, os preditores clínicos mais importantes encontrados para ambos os sexos foram a circunferência da cintura, triglicerídeos e idade. Conclusões: Nosso estudo sugere que a RL pode ser útil para prever a resistência à insulina em adolescentes do ERICA , pois destaca-se como a melhor escolha devido à sua interpretabilidade, ampla aplicabilidade em contextos clínicos, eficiência computacional e desempenho comparável aos outros modelos desenvolvidos.-
Descrição: dc.descriptionIntroduction: Insulin resistance is defined as a decreased tissue response to insulinmediated cellular actions, and it is the inverse of insulin sensitivity. There are currently methods considered the gold standard for measuring insulin resistance, such as the hyperinsulinemic euglycemic clamp and the hyperglycemic clamp. However, these methods are expensive and are rarely used in large epidemiological studies. Aim: Asessment of machine learning models performance for clinical prediction of insulin resistance in The Study of Cardiovascular Risk in Adolescents (ERICA) 2013-2014. Methods: We studied approximately 38,000 adolescents and considered HDL cholesterol, LDL cholesterol, triglycerides, waist circumference, nutritional status, physical inactivity, smoking habits, alcohol consumption, sedentary behavior, socioeconomic status, blood pressure and age variables. We began stratifying the subset by sex and create the model building process for machine learning models logistic regression (LR), Poisson, Deep Neural Network (DNN), eXtreme Gradient Boosting (XGBoost), Random Forest (RF), Decision Tree (DT) and Support Vector Machine (SVM). We evaluate the models using area under the curve (AUC), calibration curves and decision curve analysis (DCA). Finally, we used SHapley Additive exPlanations. Results: LR, Poisson, XGBoost, DNN and RF models had the highest AUC ranging from 0.72 to 0.8 for boys and girls. Three models (LR, XGBoost and DNN) had higher calibration in girls than in boys, up to 80% vs up to 60%, respectively. The DCA curve showed prevalence values around 18% for girls and 16% for boys, and beyond this threshold of probability, all models could provide beneficial in clinical intervention, with exception of SVM model. Finally, the most important clinical predictors for both sexes were waist circumference, triglycerides and age. Conclusions: Our study suggests that the LR model could be useful to predict insulin resistance in ERICA adolescents and stands out as the most appropriate choice in this context due to its interpretability, broad applicability in clinical settings, computational efficiency, and comparable performance to other developed models.-
Descrição: dc.descriptionFaculdade de Medicina (FM)-
Descrição: dc.descriptionPrograma de Pós-Graduação em Ciências Médicas-
Formato: dc.formatapplication/pdf-
Idioma: dc.languagept_BR-
Direitos: dc.rightsAcesso Aberto-
Direitos: dc.rightsA concessão da licença deste item refere-se ao termo de autorização impresso assinado pelo autor com as seguintes condições: Na qualidade de titular dos direitos de autor da publicação, autorizo a Universidade de Brasília e o IBICT a disponibilizar por meio dos sites www.unb.br, www.ibict.br, www.ndltd.org sem ressarcimento dos direitos autorais, de acordo com a Lei nº 9610/98, o texto integral da obra supracitada, conforme permissões assinaladas, para fins de leitura, impressão e/ou download, a título de divulgação da produção científica brasileira, a partir desta data.-
Palavras-chave: dc.subjectAprendizagem de máquina-
Palavras-chave: dc.subjectResistência à insulina-
Palavras-chave: dc.subjectAdolescentes-
Palavras-chave: dc.subjectSaúde pública-
Título: dc.titleAvaliação do modelo de aprendizado de máquina com a melhor performance para predizer a resistência insulínica em adolescentes do Estudo de Riscos Cardiovasculares em Adolescentes-
Tipo de arquivo: dc.typelivro digital-
Aparece nas coleções:Repositório Institucional – UNB

Não existem arquivos associados a este item.
Mostrar registro simples do item Visualizar estatísticas

Avaliação