糖尿病患者における長期腎臓損傷予測のための機械学習の進歩

機能工学は重要なステップを残します。過去24か月にわたる「eGFRの斜面」のような派生物は「変化のHbA1cの係数」「70のmg/dL (hypoglycemiaの頻度)の下の時間、および「処理の付着力スコア」頻繁に生の価値よりより多くの予測力を持って来ます。自動特徴の世代別用具(例えば、機能ツール)は幾千の候補の特徴を作成できますが、ドメインの専門知識は臨床的に意味を選ばず、複数のrelationsから除去することを避けることは必要です。

最近の研究と臨床検証

2020年と2024年の間に公開された複数の高影響研究では、多様な人口のDKD予測のための機械学習モデルの優位性が実証されています。

ネフトロジーのジャーナル]は、英国バイオバンクの180,000の糖尿病患者にディープラーニングモデルを訓練し、eGFRの軌跡、UACR、年齢、性別、HbA1c、およびsystolic血圧を組み入れました。 このモデルは、AUCの0.89を達成し、ESKを攻撃する62%を予測しました。 危険性は、EKFACR、年齢、性、HbA1c、およびsystolic血圧を検証しました。

EMPA-REG OUTCOME試験の2型糖尿病患者における事故CKDを予測するために、(2024)グラデーションブースト(XGBoost)を使用した別のランドマークスタディ。 このモデルは、持続的なeGFR低下≥30%のAUCを達成し、従来のリスクスコア(AUC 0.78)よりも大幅に向上しました。 重要で、モデルは38%の患者をUKを見逃したと判断しました。 UKは、UKのスクリーニングを見逃した患者が、UKFRを見逃した患者のリスクが最大で、最大3年を上回る可能性があります。

2024年メタアナリシスは、【FLT:0】〔〕で公表された])を見直し、機械学習モデルが従来のロジスティック回帰と比較して平均10〜15%のDKD進行の差別性を改善し、0.88(95%CI 0.85〜0.91)のAUCをプールしたことを指摘した。この分析は、モデルが、これらの測定値のみを用いて、長期にわたる数値を組み込むことを指摘した。

糖尿病2型糖尿病患者5万人の中国人科で10年間続いてXGBoostモデルでは、予測および観察されたリスク間の優れた合意を示す校正プロットでESRDを予測するためのACCを達成しました。このモデルは、局所病院のERGシステムに統合され、外来の患者様によるリスクの分析、資源制限の設定における可能性の低下に使用されます。

課題と限界

これらの有望な結果にもかかわらず、機械学習がDKD予測のための定期的な臨床ツールになる前に、いくつかの障壁は克服しなければなりません。

データ品質とヘテロジェンシー

EHR データは、組織間でのラボアッセイの欠損値、不規則な測定間隔、および相違点が悪名高いと認められています。例えば、cystatin C は、センター全体で均一に測定されず、クレアチンアッセイは校正バリエーションを持っています。頻繁なラボモニタリングを備えた学術医療センターからのデータに訓練されたモデルは、患者がより少ない測定を持っているコミュニティクリニックに一般化することはできません。複数のインピーテーションや最後の観察などのインピーテーション戦略は、一般的なデータを採用することができますが、一般的なデータが、CD と ICO の収集を促進します。

通訳・信頼

ディープラーニングモデルは、特に神経ネットワークやアンサンブルメソッドを使用している人にとって、黒のボックスとしてよく記述されています。臨床医は、合理的を理解することなくリスクスコアで行動するために理解的に反発しています。SHAP(SHAPley Additive explanations)やLIME(Local Interpretable Model-agnostic Explanations)などの説明可能なAI技術は、ほとんどの個々の予測に貢献した機能が強調することができます。ただし、これらの方法は制限があります。SHAP(SHAPP)は、臨床的価値の妥当性を許さない、また、臨床検査の検討や診断の検討、あるいは、実験的な検査、実験的な検査、実験的な検査、実験的な検査、実験的な検査、実験的な検査、実験的な検査、実験的な検査、実験的な検査、実験的な検査、実験的な検査、実験的な検査、実験的な検査、実験的な検査、実験的な検査、実験的な検査、実験的な検査、実験的な検査、実験的な検査、および実験的な検査、実験的な検査、実験的な検査、実験的な検査、実験的な検査、実験的な検査、実験的な検査、実験的な検査、および検査、および検査、および検査、および検査、および検査、および検査

美と公正性

トレーニングデータが特定の人口統計グループを上回る場合、モデルは、未表現の人口に対して不当に実行する可能性があります。 で公表された研究 (2023) は、EHR が訓練された DKD 予測モデルがホワイト患者よりも 18% 高く、主にブラック患者がセットのトレーニング中にラボ値を数多く持っていたので[FLT:FLT:4] [FLT] (2023) が、EHR 訓練された DKDKD の予測モデルが、e の副作用が、e の副作用が、e の進行中のモデルが、e に失敗する可能性があります。

臨床ワークフローへの統合

臨床ワークフローを破壊する場合、正確な予測モデルは役に立ちません。多くの研究グレードモデルは、ライブ EHR 環境に導入されていないものはありません。成功した統合が必要です。(1) ミドルウェアは、EHR、(2) リスクスコアが患者の遭遇秒以内に計算され、(3) 臨床決定サポート(CDS) 非破壊的であるアラート、(4) 時間のリスク軌跡を表示するためのミドルウェア。カイザーの実装でパイロットは、警告や警告を提示する可能性が高いほど高いです。

今後の方向性

DKD の予測モデルの次世代は、より正確で、解釈可能で、シームレスにケアデリバリーに統合されます。

プライバシー保護マルチサイトトレーニングのためのフェデレーション学習

機密性の高い患者データを集中することなく、堅牢なモデルを訓練するために、フェデレーションされた学習により、病院はデータをローカルに保つときにモデルを共同で訓練することができます。モデルの更新(勾配)のみが共有され、プライバシーを保護します。 [から早期に結果が出てきたFederated Kidney disease Prediction Consortium[](2024)は12病院で訓練されたフェデレーションモデルが、CKDionのAUCを達成し、ほぼ同じことが、データ転送中に(HTTPS)[F]を転送する)[FLTF]を転送する]と[FLTF](HTTPS])が、および[F](HTTPS(HTTPS)が、および[F)が、および[F)が、(HTTPS(HTTPS(HTTPS(HTTPS(HTTPS)が、または[F))の転送中に、または[F))))が、または[F)が、または[F)の転送される)[F)[F)[F)[F)[F)[F]([F]([F]([

多発性統合

ゲノム、プロテオミクス、メタボリックの進歩は、DKD予測を大幅に改善できる高次元分子プロファイルを生成しています。 ハーバード・キドニー・イニシアティブの2024の研究では、EHRデータを120の腎臓関連特性のポリジェニックリスクスコアと組み合わせ、5年間のESRDリスクを予測するためのAUCを達成しました。 (source)。 遺伝的臨床検査は50の数値を増加させ、遺伝子検査の能力を増加させ、遺伝子検査の能力を向上させる。 遺伝子検査は、遺伝子検査の検査結果は、遺伝子検査の検査、遺伝子検査、遺伝子検査、遺伝子検査、遺伝子検査、遺伝子検査、遺伝子検査、遺伝子検査、遺伝子検査、および検査、遺伝子検査、および検査、および検査、および検査、および検査、および検査、および検査、および検査、および検査、および検査、および検査、および検査、および検査、検査、検査、および検査、検査、検査、検査、検査、検査、検査、検査、検査、検査、検査、検査、検査、検査、検査、検査、検査、検査、検査、検査、検査、検査、検査、

ウェアラブルによるリアルタイムリスク監視

連続したグルコースモニター(CGM)と血管血圧モニターは、動的リスク評価のための機械学習モデルに供給できる高周波データストリームを生成します。例えば、モデルは患者の鼻膜血管血圧が2週間以上15mmHg増加したことを検出し、増加するグルコースの変動性を組み合わせ、尿のアルブミンをチェックするアラートをトリガーすることができます。早期の証拠は、そのような変化を予測することにより、より効果的に低下させる可能性があることを実証します。

治療指導のためのカウス機械学習

現在の予測モデルは、「誰がリスクですか?」と答えますが、「私たちがそれについて何をすべきか」ではありませんか? 原因の機械学習(例えば、因果林、二重/偏見機械学習)は、SGLT2阻害剤、GLP-1受容体アゴニスト、またはDKD進行中の血圧低下などの介入の異種的治療効果を推定することを目指しています。 例えば、原因モデルは、HFR1阻害剤、GLP-1受容体アゴニスト、または集中的な血圧低下などの介入の予防効果を推定する可能性があります。 例えば、そのような副作用は、HKDが低速接種患者に及する可能性があるHKD-GALF-GAL-GAL-GAL-GAL-GAL-GAL-H-GAL-GAL-H-GAL-GAL-H-GAL-H-H-G-G-H-H-GAL-GAL-H-H-H-H-G-H-GAL-H-H-GAL-GAL-H-GAL-GAL-H-H-G-H-H-H-H-H-

コンテンツ

マシンラーニングは、糖尿病患者における長期腎臓の損傷を予測する能力を急速に向上し、従来のリスク要因を超えて移動して、臨床、イメージング、ゲノム、およびウェアラブルデータにおける複雑なパターンをキャプチャします。最近の研究では、CKDの進行とESRDを予測するために、0.85を超えるAUCを一貫して報告し、Kidney Failure Risk Equationを10〜15%のモデルでアウトパフォーミングするいくつかのモデルが、実際の導入は、データの品質、互換性、ワークフロー、および拡張性の向上に役立ちます。これらのモデルは、これらの問題を効果的に活用できる限り、これらのモデルを効果的に活用することができます。