Detecção baseada em aprendizado de máquina de doença renal crônica usando contagem completa de sangue de uma população hospitalar ganesa com uma aplicação integrada na Web

O que aconteceu

A doença renal crônica (DRC) geralmente é silenciosa até o avanço, e os testes que a confirmam são frequentemente inacessíveis na África subsaariana, enquanto o hemograma completo (CBC) é barato e amplamente realizado. Avaliamos se o aprendizado de máquina aplicado ao FBC pode detectar DRC, e até que ponto o seu desempenho relatado depende de onde é aplicada a sobreamostragem de minoria sintética (SMOTE). Os registros de 155 pacientes no Ho Technical University Hospital, Gana, 43 (27,7%) com DRC, apresentaram dez características: idade, doença cardiovascular e oito parâmetros brutos de CCE. Onze algoritmos, seis estratégias de reamostragem e treze conjuntos foram comparados sob validação cruzada estratificada repetida. Com o SMOTE aplicado antes da divisão trem-teste, o protocolo sob o qual os modelos implantados foram montados, o Random Forest e o Extra Trees ambos alcançaram uma precisão de 83,9%, com sensibilidade de 0,893 e 0,857 e áreas sob a curva (AUC) de 0,925 e 0,939; a validação cruzada repetida deu uma precisão de 0. 809 {+/-} 0, 051 e uma AUC de 0, 897. Com a reamostragem confinada às dobras de treinamento, as mesmas características deram uma precisão de 61,5% e uma AUC de 0,604 em 39 pacientes invisíveis. A idade foi a única variável que separou os grupos após correção para múltiplos testes (mediana 64 versus 47 anos, ajustada p = 0,0026). Os modelos são implantados como NephroScan GH (https://nephroscangh.com), o que explica todas as previsões. O FBC carrega um sinal real mas moderado para DRC, e a lacuna de 22,4 pontos entre os dois protocolos quantifica até que ponto uma única decisão de pré-processamento pode mover uma precisão relatada.