What question did this study set out to answer?

O objetivo é desenvolver um modelo de aprendizado de máquina para classificar com precisão os estágios da doença renal crônica.

April 15, 2026Open Access

Classificação Multiclasse da Doença Renal Crônica Baseada em Aprendizado de Máquina Usando XGBoost: Uma Abordagem de Modelagem Preditiva Orientada a Recursos

Key Points

O objetivo é desenvolver um modelo de aprendizado de máquina para classificar com precisão os estágios da doença renal crônica.
Utilizou XGBoost para classificação multiclasse
Analisou variáveis clínicas para estagiação da DRC
Comparou a precisão com métodos convencionais de eGFR
O modelo de aprendizado de máquina demonstrou alta precisão na classificação dos estágios da DRC
Superou os métodos tradicionais baseados na estimativa de eGFR

Abstract

A doença renal crônica (DRC) é uma carga importante de doenças não transmissíveis que afeta aproximadamente 10-15% da população adulta global. A classificação precisa e precoce dos estágios de progressão da DRC é crítica para intervenção clínica oportuna e melhores resultados para os pacientes. A estaginação convencional depende da estimativa laboratorial da taxa de filtração glomerular (eGFR); no entanto, os métodos de aprendizado de máquina oferecem uma oportunidade para classificar a DRC em múltiplos estágios a partir de variáveis clínicas coletadas rotineiramente com alta precisão.

Classificação Multiclasse da Doença Renal Crônica Baseada em Aprendizado de Máquina Usando XGBoost: Uma Abordagem de Modelagem Preditiva Orientada a Recursos

Key Points

Abstract

Cite This Study