지난 수십 년 동안 기계 학습은 당뇨병 환자에서 장기 신장 손상을 예측하기 위해 신경학의 변형 도구로 출현했습니다. 당뇨병은 전 세계적으로 537 만 명의 성인에 영향을 미치며 약 40 %의 만성 신장 질환 (CKD)을 개발하는 데 영향을 미치며, 정확하고 조기 예측은 더 긴급하지 않았습니다. 기존의 위험이 증가하는 것으로 추정되는 유황 여과 비율 (eGFR), 소변 사틴 - 투 - 아티시온 (UAE), 비정상적인 혈액 검사 및 비중 검사에 대한 일반적인 문제 (CRE), 비중성 검사 및 비중성 검사의 미래 예측에 대한 우려가 있습니다.

왜 당뇨병에 조기 중독 물질

당뇨병은 가장 개발 된 국가에서 End-stage Renal 질병 (ESRD)의 주요 원인입니다. 질병은 종종 침묵적으로 진행 될 수 있습니다. 환자는 정상적인 eGFR과 수년간의 sartinuria가 있으며 간질성 섬유 및 유성 손상이 축적되어 있습니다. 시간 eGFR은 60 mL / min / 1.73 m2 미만의 정상적인 결과를 가지고 있으며 신장 기능의 장애가 발생했습니다. 간접적 인 증상은 임상 적 치료에 대한 임상 적 치료에 대한 임상 적 치료에 대한 임상 적 치료에 대한 임상 적 치료에 대한 임상 적 치료가를 유발할 수 있습니다.

기계 학습은 전통 모델에 대한 예측을 향상시킵니다.

이 웹 사이트는 귀하가 웹 사이트를 탐색하는 동안 귀하의 경험을 향상시키기 위해 쿠키를 사용합니다. 이 쿠키들 중에서 필요에 따라 분류 된 쿠키는 웹 사이트의 기본적인 기능을 수행하는 데 필수적이므로 브라우저에 저장됩니다. 또한이 웹 사이트의 사용 방식을 분석하고 이해하는 데 도움이되는 제 3 자 쿠키를 사용합니다. 이 쿠키는 귀하의 동의하에 만 브라우저에 저장됩니다. 이러한 쿠키를 거부 할 수도 있습니다. 이러한 쿠키 중 일부를 선택 해제하면 검색 환경에 영향을 미칠 수 있습니다. 이러한 쿠키 중 일부를 선택 해제하면 검색 환경에 영향을 미칠 수 있습니다.

핵심 모델 아키텍처

  • Gradient 부스트 기계 (XGBoost, LightGBM, CatBoost)는 전자 건강 기록에서 구조화된 tabular 데이터를 지배합니다. 그들은 누락된 가치를 잘 처리하고, 특징 중요성 점수를 제공하고, 종종 당뇨병에 있는 CKD를 예측하기 위해 0.85와 0.92 사이 최첨단 AUC 가치를 달성합니다.
  • ]디프 학습 신경망은 구조상 데이터에 사용됩니다: 복잡한 신경망(CNNs)는 신장 생물학을 분석하여 섬유질과 칼리파를 조절할 수 있습니다. 재발성 신경망(RNNs) 및 변압기는 연속적인 실험실 측정에서 경도 eGFR 트렁크를 모델링할 수 있습니다.
  • Random 생존 숲은 비해 위험이 비해지면 비해 위험이 비해지는 비해상 위험이 있는 비해상 위험이 있는 임의의의 숲을 확장합니다.
  • Deep 생존 네트워크 (e.g., DeepSurv, CoxTime)는 생존 분석으로 깊은 학습을 통합하여, 고차원 데이터에서 복잡한 위험 기능을 학습합니다.

여러 아키텍처를 결합하는 Ensemble 메소드는 예를 들어, 신경 네트워크와 함께 기온이 높은 부스터와 variance를 줄이기 위해 최고의 성능을 쌓아 냅니다.

데이터 소스 및 기능 공학

어떤 기계 학습 모델의 성능은 입력 데이터의 폭과 품질에 크게 의존합니다. DKD 예측을위한 일반적인 소스는 다음과 같습니다.

  • 전자 건강 기록 (EHRs): 인구 통계, 진단, 약물, 실험실 값 (creatinine, cystatin C, HbA1c, Albuminuria), 생명 표지판 및 절차 코드.
  • 의료 영상: 신장 초음파 이미지 (대역 길이, 비극 두께) 및 바이오 psies의 전체 슬라이드 심리학 이미지.
  • Genomic data: UMOD], ]]]], , ], ], NPHS2.
  • Wearable Device stream: 연속 포도당 모니터링(CGM) 시간 시리즈, 탄혈압 모니터링, 물리적 활동 데이터.

특징 공학은 중요한 단계 남아 있습니다. "EGFR 사면 지난 24 개월 동안"HbA1c 변이 계수" "70 mg / dL (hypoglycemia 주파수)"및 "medication 부착 점수"와 같은 기능을 설명하면 종종 원시 값보다 예측력이 더 많습니다. 자동화 된 기능 생성 도구 (예 : featuretools)는 수천 명의 후보 기능을 만들 수 있지만 도메인 전문 지식은 임상적으로 의미있는 하나의 상관 관계 테스트를 피하기 위해 필수적입니다.

최근 연구 및 임상 검증

2020년부터 2024년까지 발표된 여러 가지 고 영향 연구가 다양한 인구를 통해 DKD 예측을 위한 기계 학습 모델의 우수성을 입증했습니다.

A 2023 네프론의 장학 영국 바이오 뱅크에서 180,000 당뇨병 환자에 대한 깊은 학습 모델을 훈련, eGFR 궤양, UACR, 나이, 성, HbA1c, 그리고 systolic 혈압을 통합. 모델은 0.89의 AUC를 달성했다. , 의 AUC는 의 혐의를 확인하는 데 실패 3 년 동안 (KFLT:7).

]의 또 다른 랜드 마크 연구 Nephrology (2024)는 EMPA-REG OUTCOME 재판에서 2 형 당뇨병 환자에서 사건 CKD를 예측하기 위해 gradient 부스트 (XGBoost)를 사용했습니다. 모델은 지속 된 eGFR 감소의 3 년 위험을 위해 0.92의 AUC를 달성했습니다. 기존의 위험 점수보다 크게 우수합니다 (AUC 0.78). 중요하게, 모델은 U-CRK의 3 %를 기반으로 한 U-CRK-CRK를 기반으로 한 3 %의 환자가 확인 한 것으로 나타났습니다.

] 47개의 연구에 대한 검토 및 기계 학습 모델이 평균 10~15%의 평균으로 DKD 진행을 위한 개선된 차별성, 0.88 (95% CI 0.85-0.91)의 풀 AUC와 함께 분석. 분석은 또한 그 모델이 장기적인 데이터 (자산 측정)를 사용하여 측정된 것으로 해석됩니다.

XGBoost 모델은 ESRD를 예측하기 위해 0.88의 AUC를 달성했으며, ESRD를 예측하고 관찰 된 위험 사이의 우수한 합의를 보여주는 캘리브레이션 플로트와 함께 5 만 명의 환자의 다중 중심 중국어 연구에서. 모델은 지역 병원의 EHR 시스템으로 통합되었으며 간접적 방문 동안 실시간 위험 득점을 위해 사용되었으며 자원 제한 된 설정에서 탁월한 타당성을 보여줍니다.

도전과제

이러한 유망한 결과에도 불구하고, 몇몇 장벽은 기계 학습의 앞에 극복되어야 합니다 DKD 예측을 위한 일상적인 임상 공구가 될 수 있습니다.

데이터 품질 및 Heterogeneity

EHR 데이터는 비만적이다: 누락된 값, 불규칙한 측정 간격, 그리고 기관의 모든 등급 모델 성능 사이 실험실 분석실험에 있는 다름. 예를 들면, cystatin C는 센터의 맞은편에 측정되지 않으며, creatinine 분석실험에는 구경측정 변이가 있습니다. 잦은 실험실 감시를 가진 학문적인 의학 센터에서 자료에 훈련된 모형은 환자가 몇몇 측정이 있는 공동체 진료소에 종합할지도 모릅니다. 다수 불변 또는 마지막 관찰과 같은 계산 전략은, 그러나 표준을 채택하고, 포괄적인 자료는, 포괄적인 자료의학적인 접근을 채택할 수 있습니다.

책임과 신뢰

이 웹 사이트는 귀하가 웹 사이트를 탐색하는 동안 귀하의 경험을 향상시키기 위해 쿠키를 사용합니다. 이 쿠키들 중에서 필요에 따라 분류 된 쿠키는 웹 사이트의 기본적인 기능을 수행하는 데 필수적이므로 브라우저에 저장됩니다. 또한이 웹 사이트의 사용 방식을 분석하고 이해하는 데 도움이되는 제 3 자 쿠키를 사용합니다. 이 쿠키는 귀하의 동의하에 만 브라우저에 저장됩니다. 이러한 쿠키를 거부 할 수도 있습니다. 이러한 쿠키 중 일부를 선택 해제하면 검색 환경에 영향을 미칠 수 있습니다. 이러한 쿠키 중 일부를 선택 해제하면 검색 환경에 영향을 미칠 수 있습니다.

별과 동화

이 웹 사이트는 귀하가 웹 사이트를 탐색하는 동안 귀하의 경험을 향상시키기 위해 쿠키를 사용합니다. 이 쿠키들 중에서 필요에 따라 분류 된 쿠키는 웹 사이트의 기본적인 기능을 수행하는 데 필수적이므로 브라우저에 저장됩니다. 또한이 웹 사이트의 사용 방식을 분석하고 이해하는 데 도움이되는 제 3 자 쿠키를 사용합니다. 이 쿠키는 귀하의 동의하에 만 브라우저에 저장됩니다. 이러한 쿠키 중 일부를 선택 해제하면 검색 환경에 영향을 미칠 수 있습니다. 이러한 쿠키 중 일부를 선택 해제하면 검색 환경에 영향을 미칠 수 있습니다. 이러한 쿠키 중 일부를 선택 해제하면 검색 환경에 영향을 미칠 수 있습니다.

임상 Workflow에 통합

이 웹 사이트는 귀하가 웹 사이트를 탐색하는 동안 귀하의 경험을 향상시키기 위해 쿠키를 사용합니다. 이 쿠키들 중에서 필요에 따라 분류 된 쿠키는 웹 사이트의 기본적인 기능을 수행하는 데 필수적이므로 브라우저에 저장됩니다. 또한이 웹 사이트의 사용 방식을 분석하고 이해하는 데 도움이되는 제 3 자 쿠키를 사용합니다. 이 쿠키는 귀하의 동의하에 만 브라우저에 저장됩니다. 이러한 쿠키 중 일부를 선택 해제하면 검색 환경에 영향을 미칠 수 있습니다. 이러한 쿠키 중 일부를 선택 해제하면 검색 환경에 영향을 미칠 수 있습니다.

미래 지향

DKD의 예측 모델의 차세대는 더 정확하고 해석적이며, 원활하게 관리됩니다.

개인 정보 보호 정책 멀티 사이트 교육을위한 Federated Learning

이 웹 사이트는 귀하가 웹 사이트를 탐색하는 동안 귀하의 경험을 향상시키기 위해 쿠키를 사용합니다. 이 쿠키들 중에서 필요에 따라 분류 된 쿠키는 웹 사이트의 기본적인 기능을 수행하는 데 필수적이므로 브라우저에 저장됩니다. 또한이 웹 사이트의 사용 방식을 분석하고 이해하는 데 도움이되는 제 3 자 쿠키를 사용합니다. 이 쿠키는 귀하의 동의하에 만 브라우저에 저장됩니다. 이러한 쿠키를 거부 할 수도 있습니다. 이러한 쿠키 중 일부를 선택 해제하면 검색 환경에 영향을 미칠 수 있습니다. 그러나 이러한 쿠키 중 일부를 선택 해제하면 검색 환경에 영향을 미칠 수 있습니다.

Multi-Omics 통합

genomics, proteomics 및 metabolomics의 진보는 DKD 예측을 크게 향상시킬 수있는 높은 치수 분자 프로파일을 생산하고 있습니다. Harvard Kidney Initiative의 2024 연구는 120 신장 관련 특성에 대한 폴리 겐트 위험 점수와 EHR 데이터를 결합했으며 5 년 ESRD 위험 [[FLT : 0] (source) [[FLT : 1]]을 예측하기위한 0.94의 AUC를 달성했습니다. Proteomic 패널은 50- 1,700- 1,700- 1,700- 1,700- 1,700- 1,700- 1,700- 1,700- 1,700- 1,700- 1,700- 1,700-700-700-700-4000-4000-4000-4000-4000-4000-4000-4000-4000-4000-4000-4000-4000-4000-4000-4000-4000-4000-4000-4000-4000-4000-4000-4000-4000-4000-4000-4000-4000-4000-4000-4000-4000-4000-4000-4000-4000-4000-4000-4000-4000-4000-4000-4000-4000-4000-4000-4000

Wearables를 통한 실시간 위험 모니터링

정상적인 포도당 감시자 (CGMs)와 구급차 혈압 감시자는 동적인 위험 평가를 위한 기계 학습 모형으로 먹일 수 있는 고주파 자료 시내를 생성합니다. 예를 들면, 모형은 환자의 운하 systolic 혈압이 2 주 이상 15 mmHg에 의해 증가한 것을 검출할 수 있었습니다, 상승 포도당 variability와 결합해, 소변 표를 검사하는 경고를 방아쇠를 당깁니다. 조기 증거 수락 학문은 CGM-deral 의 급속한 시험 시간으로, 정상적인 정상적인 험악한 적이고 및 정상적인 험악한 험악한 성이 있을 수 있었습니다.

치료 Guidance를 위한 Causal 기계 학습

현재 예측 모델은 "우는 위험에 빠릅니다?"하지만 "무엇이 그것에 대해해야?" 카우스 기계 학습 (예 : 카우스 숲, 이중 / 세르비아 기계 학습)은 SGLT2 억제제, GLP-1 수용체 주작동근 또는 DKD 진행 중 저하에 집중 혈압을 측정하는 것과 같은 발명품의 이질 치료 효과를 추정하는 것을 목표로합니다. 예를 들어, 카우스 모델은 H1-GLT1-GFR-1-GLT1-GLP-1 수용체 주작동근, 또는 DKD 진행 중 저하에 집중한 혈압을 식별 할 수 있습니다. 예를 들어, 카우스 모델은 H1-GLT1-FR-1의 높은 농도를 식별하는 것으로 예상됩니다.

의약

이 연구는 임상, 이미징, 게놈 및 착용 가능한 데이터에 복잡한 패턴을 캡처하기 위해 전통적인 위험 요소를 넘어 당뇨병 환자의 장기 신장 손상을 예측하는 능력을 빠르게 추진하고 있습니다. 최근 연구는 지속적으로 CKD 진행 및 ESRD를 예측하기 위해 0.85 이상의 AUCs를보고, 일부 모델은 10-15%에 의해 Kidney Failure Risk Equation을 수행하고 있습니다. 그러나 실제 배포는 데이터 품질, 해석, EF의 효율성, 그리고 상호 작용을 촉진하는 데 필요한 기술을 필요로하는 데 필요한 과제를 필요로합니다. 이러한 기술은 이러한 기술을 활용하여 기존의 진단 및 진단을 통해 환자의 진단을 효과적으로 관리할 수 있습니다.