בעשור האחרון, למידת מכונה התפתחה ככלי טרנספורמטיבי בערפילית, במיוחד לחיזוי נזקי הכליה לטווח ארוך בחולי סוכרת.עם סוכרת המשפיעה על יותר מ-537 מיליון מבוגרים ברחבי העולם וכ-40% מפתחים מחלת כליות כרונית (CKD), הצורך בממצאים מדויקים, מוקדם חיזוי מוקדם של נתונים מבטיחים, לפני אלגוריתמים מסורתיים בסיכון גבוה יותר, לאחר שעקבו על שיעור סינון דם גבוה (GFR), לאחר מאות שנים של אובדן דם מתמשך של סרטן הרחם (R) של סרטן הרחם (Ric-ACTD) של סרטן מתמשך של סרטן, רק לאחר ירידה ב-Dicial של נתונים, לאחר אלגוריתמים של נתונים, לאחר אלגוריתמים של אלגוריתמים של נתונים, לאחר ירידה ב-Drecttphreecttmic של נתונים (Ricial של אלגוריתמים של נתונים).

מדוע חיזוי מוקדם של מחלת קידני סוכרת

סוכרת היא הגורם המוביל למחלות חוזרות בשלבים (ESCR) במדינות המפותחות ביותר.המחלה לעתים קרובות מתקדמת בשקט: חולים עשויים להיות בעלי רגישות רגילה eGFR ולא אלבוםוניה במשך שנים, בעוד ש- Interstitial fibrosis ונזקים גלומריים מהירים מצטברים.על ידי זמן eGFR נופל מתחת ל- 60 mL/min/1.73 m, אובדן בלתי הפיך של תפקוד כליות התרחש ב-CDC-Refectexitic.

כיצד למידת מכונות משפרת את החיזוי על מודלים מסורתיים

שיטות סטטיסטיות לאותיות, כגון רגרסיה לוגיסטית ומודלים של סיכון מיני-פולני, מניחים יחסים ליניאריים ועצמאות בין התחזיות.מודלים למידת מכונות להתגבר על המגבלות הללו על ידי לכידת אינטראקציות לא לינאריות, טיפול בנתונים תלת-ממדיים, ובאופן אוטומטי לגלות דפוסים מורכבים.לדוגמה, מודל למידת מכונה עשוי ללמוד כי השילוב של עלייה עדינה ב- C, ירידה קטנה ב- hemoglobin, גבוהה של ערך משפחתי, אפילו חיזוי, כאשר הוא מסוגלות מאוחרת, הוא מסוגלות אנושית, אפילו רצף של כל אחד, הוא מסוגלות אישית, כאשר הוא מסוגלות למידה, אפילו רצף של רצף של רצף של חיזוי של תאים, כאשר הוא מסוגלות אנושית.

אדריכלות מודל מפתח

  • (FLT:0) להגביר מכונות שיפור גלקסיות מקודמות: 1 (XGBoost, LightGBM, CatBoost) לשלוט בנתונים לשוניים מרשומות בריאות אלקטרוניות.הם מטפלים בערכים חסרים היטב, לספק ציונים בעלי חשיבות, ולעתים קרובות להשיג ערכי AUC המדינה-of-the-art בין 0.85 ל- 0.92 לחיזוי CKDset בסוכרת.
  • (FLT:0) למידה רשתות עצביות של למידה 1 משמשות לנתונים לא מבנים: רשתות עצביות אבולוציה (CNN) יכולות לנתח שקופיות ביופסיה כליות שלוטופולוגיות כדי לכמת פיברוזיס ו sclerosis; רשתות עצביות חוזרות ונשנות (RNNs) והופכים יכולים לעצבן מסלולים ארוכים של eGFRjectories ממדכאות מעבדה.
  • (FLT:0)Random SurvivaluresFLT:1 מרחיבים יערות אקראיים לניתוח זמן-לא אחיד, המציעים סיכונים לא-פרמטריים הערכות כי מודלים של אקספורפורציה Cox כאשר ההנחה של סיכון פרופורציונלית מופרת.
  • (FLT:0) רשתות הישרדות של דיפר:1 (למשל, DeepSurv, CoxTime) משלבות למידה עמוקה בניתוח הישרדות, למידה של פונקציות סיכון מורכבות מהנתונים על-ידי ממדים גבוהים.

שיטות אנסמבל המשלבות ארכיטקטורות מרובות - למשל, ערערת מגבר עם רשת עצבית - לעתים קרובות מניב את הביצועים הטובים ביותר על ידי צמצום הטיה ושינה.

מקורות נתונים והנדסת תכונות

הביצועים של כל מודל למידת מכונה תלויות בביקורתיות על רוחב ואיכות של נתוני קלט.מקורות משותפים לחיזוי DKD כוללים:

  • (FLT:0) רשומות בריאות אלקטרוניות (EHRs): אנדרל 1 דמוגרפי, אבחון, תרופות, ערכי מעבדה (creatinine, ציסטטין C, HbA1c, אלבינואוריה), סימנים חיוניים וקודי נוהל.
  • (FLT:0) הדמיה רפואית: תמונות אולטרסאונד הכליות (אורך קבוע, עובי קורטי) ותמונות טופטומטולוגיה מבוללות מביופסיה.
  • (ב) [15] ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇
  • (FLT:0) זרם מכשירים בלתי ניתנים לחיזוי:FLT:1 ניטור גלוקוז רציף (CGM) סדרת זמן, ניטור לחץ דם מבולטורי ונתוני פעילות גופנית.

הנדסה תכונה נשאר צעד מכריע. תכונות דרבירד כגון "מדרון GFR במהלך 24 החודשים האחרונים", "HbA1c coefficient of Vari", "זמן מתחת 70 מ"ג / dL (התדירות של היפוגליקמיה), ו"ציון דבקות דבקות דחיסה רגשית" לעתים קרובות לשאת יותר כוח חיזוי מאשר ערכי גלם.

מחקר ואימות קליני

מחקרים רבים של ביצועים גבוהים שפורסמו בין 2020 ל-2024 הוכיחו את עליונותם של מודלים לחיזוי מכונות עבור DKD על פני אוכלוסיות מגוונות.

מחקר 2023 ב-FLT:0 [FLT] 106Journal of NephrologycioFLT:2 [FLT: 3] פיתחו מודל למידה עמוק על 180,000 חולים סוכרת מבריטניה ביובנק, שילוב של מסלולים eGFRjectories, UACR, גיל, מין, HbA1c ו לחץ דם סינתי השיג מודל AUC של 0.8 ל-ACT של סיכון רשמי של 5D2 (I) ל-ACT% 3D) על ידי קידמה- 3DIDIXIQ) על ידי קידמה, 3.

מחקר ציוני דרך נוסף מן האגודה האמריקנית של NephrologyFLT ( 1 2) (2024) השתמש ⁇ (XGBoost) כדי לחזות את האירוע CKD בסוג 2 חולים מניסוי EMPA-REG מחוץCOME. הדגם השיג AUC של 0.92 עבור סיכון של 3 שנים של ירידה של eGFR, באופן משמעותי יותר מאשר הסיכון המסורתי (דגם 0C%) אשר זוהה על ידי 0.

2024 meta-analysis שפורסם ב-FLT:0.00earph:1 ,Diabetes CarecioFLT:2FLT:3 נבדק 47 מחקרים ומצא כי מודלים למידת מכונה שיפרו את האפליה עבור התקדמות DKD על ידי ממוצע של 10-15% מעל רגרסציה לוגיסטית קונבנציונלית, עם AUC של 0.88 (95% CI5-091).

במחקר סיני רב מרכזי של 50,000 מטופלים עם סוכרת מסוג 2 ואחריו במשך 10 שנים, מודל XGBoost השיג AUC של 0.88 עבור חיזוי ESRD, עם חתימות קלודה המציגות הסכמה מצוינת בין סיכון צפוי וצפוי.המודל היה משולב במערכת EHR של בית חולים מקומי ומשמש לסיכון בזמן אמת במהלך הבקיע ביקורים אשפוז, להפגין תאימות בהגדרה מוגבלת משאבים.

אתגרים ומגבלות

למרות התוצאות המבטיחות הללו, יש להתגבר על מספר מחסומים לפני שלמידה של מכונה יכולה להפוך לכלי קליני שגרתי לחיזוי DKD.

איכות נתונים והטרוגניות

הנתונים של EHR הם רועשים לשמצה: ערכים חסרים, מרווחי מדידה לא סדירים, והבדלים ב- ASSA מעבדה בין מוסדות כל ביצועי המודל של הדרגה. לדוגמה, ציסטטין C אינו נמדד באופן אחיד על פני מרכזי, ו- קריאטינינין יש וריאציות קלודות קלושות (מודל) מודל של נתונים ממרכזים רפואיים אקדמיים עם ניטור מעבדה תכופים לעתים קרובות עשוי לא להכלל למרפאות שבהן חולים יש פחות מדידות, כגון איסוף נתונים נפוצים, או אימוץ, אך בדיקות סטנדרטיות (אוטציה).

חוסר יכולת ואמון

מודלים למידה עמוקה, במיוחד אלה המשתמשים ברשתות עצביות או בשיטות הרכב, מתוארים לעתים קרובות כקופסאות שחורות.מרפאות מכוונות לפעול על ציון סיכון ללא הבנה של הטכניקות AI הסבירות כגון SHAP (SHapley Additive exPlanations) ו-LIME (הסברים הבין-ממשלתיים-מודלים) יכולים להדגיש אילו תכונות תרמו ביותר לחיזוי אישי, שיטות אלה עשויות להיות מורכבות לדיווחים קליניים, אפילו לאבחון מודלים של מודלים של מודלים של מודלים של מודלים קליניים, כמו גם לאלגוריתמים, כמו גם לאלגוריתמים, כמו גם לאלגוריתמים, כמו גם לאלגוריתמים, וגם לאלגוריתמים, כמו גם לאלגוריתמים, כמו גם לאלגוריתמים, כמו גם לאלגוריתמים, כמו גם לאלגוריתמים, תכונות לא יציבים, כמו גם לאלגוריתמים, תכונות מורכבות, יכולות להיות אלגוריתמים, תכונות לא יציבים, כמו גם לאבחון מודלים של מודלים של מודלים של מודלים של מודלים של מודלים של מודלים של מודלים של מודלים של מודלים של מודלים של מודלים של מודלים של מודלים של מודלים של מודלים של מודלים של מודלים של מודלים של מודלים של מודלים של מודלים של מודלים של מודלים של מודלים קליניים, כמו גם אלגוריתמים, כמו גם אלגוריתמים, אלגוריתמים, כמו גם אלגוריתמי

« « « « « « « « « « « « « « « « « « « « « « « « « « « « « « « « « « « « « « « « « « « « « « « « « « « « « « « « « « « « « « « « « « « « « « « « « « « « « « « « « « « « « « « « « « « « « « « « « « « « « « « « « « « « « « « « « « « « « « « « « « « « « « « «

אם אימוני נתונים מייצגים קבוצות דמוגרפיות מסוימות, המודל עשוי להופיע בצורה גרועה עבור אוכלוסיות מוצגות.מחקר שפורסם ב-FLT:003FLT:1 Nature Digital MedicineveFLT:2reaFLT 3 (2023) מצא כי מודל EHR-מאומנים DKD היה שיעור חיובי עבור חולים שחורים מאשר עבור חולים לבנים, בעיקר בגלל שמטופלים שחורים היו פחות רשומים בערכים שווים של חיסון נגד סרטן (Fgicial) לעומת זאת, לעומת זאת, לעומת זאת, לעומת זאת, לעומת זאת, לעומת זאת, לעומת זאת, לעומת זאת, לעומת זאת, לעומת זאת, לעומת זאת, לעומת זאת, ירידה של תאים שחורים (DDDD).

שילוב של זרימת עבודה קלינית

מודל מדויק של חיזוי הוא חסר תועלת אם הוא משבש את זרימת העבודה הקלינית.מודלים רבים של דירוג המחקר מעולם לא הוצבו בסביבה חיה של EHR. אינטגרציה מוצלחת דורש: (1) תוכנה שממשיכה נתונים בזמן אמת מה- EHR, (2) ציוני סיכון שעדיין דחוסים בתוך שניות של מפגש מטופל, (3) תמיכה קלינית (CDS) כי הם לא-ruptive, ו (4) מחוונים ידידותיים למשתמש כי הם בסיכון גבוה יותר ללקות ב-S.

כיוונים עתידיים

הדור הבא של מודלים חיזוי עבור DKD יהיה מדויק יותר, מפרש, ומשולב בצורה חלקה במשלוח טיפול.

למידה מבוססת פרטיות - Multi-Site Training

כדי להכשיר מודלים חזקים ללא ריכוז נתונים רגישים לחולה, למידה מאוזן מאפשרת לבתי חולים להכשיר מודל תוך שמירה על נתונים מקומיים.רק עדכוני מודל ( ⁇ s) משותפים, שמירה על פרטיות. תוצאות מוקדמות מן ה-FLT:0) חיזוי מחלות קטינים 3Dney קידמה 1 (סעיף 2) (2024) הראו כי מודל מאומן על פני 12 בתי חולים השיגו AUC של 0.8DCK לחיזוי מחלות , כמעט זהה ל-CDCD2, כמעט כמו שיתוף נתונים מרכזי (מסוג של נתונים).

שילוב Multi-Omics

ההתקדמות ב-genomics, Proteomics, ו metabolomics מייצרת פרופילים מולקולריים רב ממדיים שיכולים לשפר באופן משמעותי את תחזית DKD. A 2024 מחקר של הרווארד Kidney Initiative בשילוב נתונים EHR עם ציוני סיכון פוליגניים עבור 120 תכונות הקשורות לכליות ולהשיג AUC של 0.94 עבור חיזוי הסיכון של 5 שנים ESRD 5F:0(מקור) LT1, כולל נתונים גנטיים, כולל ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇

מעקב סיכונים בזמן אמת עם חביות

צגים רציפה של גלוקוז (CGMs) ומדפי לחץ דם מבולבלים מייצרים זרמי נתונים גבוהים קידוד שיכולים להאכיל למודלים למידת מכונה עבור הערכת סיכון דינמי.לדוגמה, מודל יכול לזהות כי לחץ דם נוקלאלי של המטופל על ידי 15 מ"מ כספית יותר מ ®Hg במשך שבועיים, בשילוב עם עלייה של גמישות גלוקוז, וגורם התראה לבדוק את ההוכחה המוקדמת של בדיקות תפיסה של -10% באמת יכול להיות יותר מדיום של 8G.

לימוד מכונות שקיפות לטיפול

מודלים חיזוי נוכחיים לענות "מי נמצא בסיכון?", אבל לא "מה עלינו לעשות על זה?", למידה מכונה קווקזית (למשל, יערות סיבתיים, כפול / מודימד מכונה) שואפת להעריך את אפקט הטיפול הטרוגני של התערבויות - כגון מעכבי SGLT2, GLP-1 agonists, או לחץ דם אינטנסיבי נמוך יותר - DKD עבור התקדמות, לדוגמה, גורם טיפול נמוך יותר של HGR3 עשוי לגרום טיפול שלילי עם טיפול יעיל יותר מאשר טיפול אחד עם HIV עם HIV עם HIV עם HIV עם הערכה עצמית יכול לגרום טיפול יעיל יותר מאשר טיפול יעיל יותר מאשר טיפול יעיל יותר מאשר HGR.

מסקנה

למידת מכונות מתקדמת במהירות את היכולת לחזות נזק לכליות לטווח ארוך בחולי סוכרת, מעבר לגורמי סיכון מסורתיים ללכוד דפוסים מורכבים בניסויים קליניים, הדמיה, גנומית, ונתונים לבישים.מחקרים אחרונים מדווחים באופן עקבי על AUCs מעל 0.85 לחיזוי התקדמות CKD ו- ESRD, עם כמה מודלים כדי לגרום לכשל קידני סיכון פחת על ידי 10-15%.