Análise comparativa de modelos de machine learning na detecção da doença renal crônica

Abstract

A Doença Renal Crônica é caracterizada pela perda progressiva da função renal. Este trabalho avalia a aplicação de algoritmos de aprendizado de máquina para detecção da patologia. Foram comparados cinco modelos supervisionados: Random Forest, K-Nearest Neighbors (KNN), Support Vector Machine, Naive Bayes e XGBoost. Dentre eles, o modelo KNN apresentou os piores resultados, com uma acurácia média de 41%. Por outro lado, o modelo XGBoost obteve o melhor desempenho, com uma acurácia média de 92%, f1-score de 96% e sensibilidade de 98%. Os resultados indicam que o modelo XGBoost é indicado em comparação aos demais analisados para auxiliar na classificação da Doença Renal Crônica.

Chronic Kidney Disease is characterized by progressive loss of kidney function. This study evaluates the application of machine learning algorithms to detect the pathology. Five supervised models were compared: Random Forest, K-Nearest Neighbors, Support Vector Machine, Naive Bayes and XGBoost Classifier. Among them, the KNN model showed the worst performance, with an average accuracy of 41%. On the other hand, the XGBoost model achieved the best performance, with an average accuracy of 92%, f1-score of 96% and sensitivity of 98%. The results indicate that the XGBoost model is recommended compared to the others analyzed to assist in the classification of Chronic Kidney Disease.