Son on yılda, makine öğrenimi, nefrolojide dönüştürücü bir araç olarak ortaya çıktı, özellikle diyabetli hastalarda uzun süreli böbrek hasarı tahmin etmek için. Diyabet ile küresel olarak 537 milyondan fazla yetişkin ve yaklaşık% 40 gelişmekte olan kronik böbrek hastalığı (CKD), doğru, erken tahmin ihtiyacı asla daha acil olmamıştı. Geleneksel risk tabakalama - bunun yerine gelen glomerular filtrasyon oranı (eGFR), idrar albümin-to-kretinin oranı (UACR), ve kan basıncı (CKD), son derece gelişmiştir.

Diabetik Çocuk Hastalığındaki Erken Önlem Nedenleri

Diyabet, gelişmiş ülkelerdeki son aşama renal hastalığının (ESRD) önde gelen nedenidir.Hastalık genellikle sessiz bir şekilde ilerlemektedir: hastalar normal eGFR'ye sahip olabilir ve hiçbir albüminuria'yı yıllarca geçici fibroz ve glomerular hasarı bir araya getirir. By eGFR 60 mL/min/1.73 m2, böbrek fonksiyonunun geri dönüşümlü kaybı meydana geldiğinde, klinik olarak erken bir tedavi seçeneği sunar.

Makine Öğrenmesi Geleneksel Modeller Üzerinde Nasıl Geliştirilir

Lojistik regresyon ve Cox orantılı tehlike modelleri gibi, tahmin ediciler arasında lineer ilişkiler ve bağımsızlık varsayar. Makine öğrenme modelleri, doğrusal olmayan etkileşimleri ele alarak bu sınırlamaları aşarak, yüksek boyutlu verileri ele alır ve otomatik olarak karmaşık modelleri keşfeder. Örneğin, bir makine öğrenme modeli, cystat C'de ince bir artış kombinasyonunun, hemoglobin'de küçük bir düşüş olduğunu, yüksek çözünürlükte bir HbA1c variability ve ESRD sinyallerinin aile tarihini olumsuz yönde keşfeder.

Anahtar Model Mimarileri

  • [FONT:0]Gradient, makinelere (XGBoost, LightGBM, CatBoost) elektronik sağlık kayıtlarından yapısal olarak yapılandırılmış tabular verilere hakimdir. İyi değerler sağlar, özellikle de değer puanlar verir ve CKD'nin diyabette tahmin edilmesi için 0.85 ve 0.92 arasında devlet-of-the-art AUC değerleri elde eder.
  • [FONT=0) Deep learning sinir ağları yapılandırılmamış veriler için kullanılır: convolutional sinir ağları (CNNs) böbrek biyopsi histopathology slides to niceify fibrosis and sclerosis; recurrent sinir ağları (RNNs) ve transformatörler uzun süredir incelenen optik laboratuvar ölçümlerinden uzun süre otojektörleri analiz edebilir.
  • [FONT:0]Random hayatta kalma ormanları), rastgele ormanları zaman zaman zaman-önetme analizine genişletir, parametresiz tehlike tahminlerini doğrulayıcı tehlikeler varsayımının ihlal edildiği zaman gösterir.
  • [FONT:0) Derin hayatta kalma ağları [Dönetici:0) (e.g., DeepSurv, CoxTime) yüksek boyutlu verilerden karmaşık risk işlevlerini öğrenmek.

Birden çok mimariyi birleştiren benzer yöntemler – örneğin, bir gradient bir güçlendiriciyi bir sinir ağı ile yığmak - en iyi performansı önyargı ve varyans azaltarak verir.

Data Sources and Feature Engineering

Herhangi bir makine öğrenme modelinin performansı, DKD tahmin için ortak kaynaklarda giriş verilerinin genişliğine bağlıdır:

  • [FONT:0)Electronic sağlık kayıtları (EHR):) Demografiler, teşhisler, ilaçlar, laboratuvar değerleri (retinine, cystatin C, HbA1c, albüminuria), hayati işaretler ve prosedür kodları.
  • [FONT:0)Medical görüntüleme: [DÜDÜT:1), böbrek ultrason görüntüleri (renal uzunluk, kortical kalınlık) ve biyopsisten histopoloji görüntüleri.
  • [FONT=0)Genomi verileri:[Dönetici:0)[Dönetici:0)[Dönetici:2)))[FLT: 5) ve [FLT: 7)))))))))))))) .
  • [FONT:0) Wearable cihaz akışları: [DDDD:0] Sürekli glukoz izleme (CGM) zaman serisi, abulatory kan basıncı izleme ve fiziksel aktivite verileri.

Özel mühendislik önemli bir adım olarak kalır. "Son 24 ay boyunca "eGFR eğimi" gibi türler, "HbA1c varyasyon katsayısı", "70 mg/dL (hypoglycemia frekansı)," ve "yaratıcı bağlılık puanı" genellikle ham değerlerden daha tahmin edilebilir bir güç taşır. Otomatik özellik nesil aletler (örneğin, özellikte) binlerce aday özelliği yaratabilir, ancak uzmanlık alanı klinik olarak anlamlı olanları seçmek ve birçok testten kaçınmalıdır.

Son Araştırma ve Klinik Geçerlilik

2020 ve 2024 arasında yayınlanan çok yüksek performanslı çalışmalar, çeşitli popülasyonlarda DKD tahminleri için makine öğrenme modellerinin üstünlüğünü göstermiştir.

[FONT:0] Gazeteciliğin ), İngiltere Biyobank'tan 180.000 diyabet hastası üzerinde derin bir öğrenme modeli eğitti, eGFR trajektörleri, UACR, yaş, seks, HbA1c ve systolic kan basıncı. Model, İsveç'te % 0,9'u tahmin etmek için AUCD aşamasına ulaştı.

CKD'nin tip 2 diyabet hastasının EMPA-REG OUTCOME denemesi için 3 yıllık bir süre boyunca AUC'nin 3 yıllık risk düşüşü (%30) vakayı tahmin etmek için CKD'nin önemli ölçüde daha iyi olduğunu tespit etti. Önemli olarak, model, UACR tabanlı tarama tarafından kaçırılan% 38'i yüksek riskli olarak tespit etti.

2024 meta-analiz, DKD'nin ortalama 10 ila 15'i geleneksel bir lojistik regresyonla birlikte kaydettiğini tespit etti.[0] ).

Uzun bir Çin'de, 10 yıl boyunca takip edilen tip 2 diyabetli 50.000 hastayı incelemekte olan 50.000 hastayı çok merkezli bir Çin çalışmasında, bir XGBoost modeli, ESRD'yi tahmin etmek için 0.88 $ 'ı elde etti ve tahmin edilen ve gözlemlenen risklerle mükemmel bir anlaşma gösteriyordu.

Meydanlar ve Sınırlar

Bu umut verici sonuçlara rağmen, makine öğreniminden önce birkaç engel DKD tahmin için rutin bir klinik araç haline gelebilir.

Data Quality and Heterogeneity

EHR verileri çok gürültülü: eksik değerler, düzensiz ölçüm aralıkları ve laboratuvar izlemelerindeki farklılıklar, daha az ölçüme sahip olan kurumlar arasındaki genelleme olmayabilir. Örneğin, cystatin C, merkezlerde düzgün bir şekilde ölçülmüyor ve önyargılı veri toplama ve uygulama ortak veri modellerini (örneğin, OMOP CDM) kullanarak, daha az ölçümlere sahip olan topluma kliniklere genelleştirilemez.

Yorumlama ve Güven

Derin öğrenme modelleri, özellikle de sinir ağları veya benzeyen yöntemler kullananlar, genellikle siyah kutular olarak tanımlanırlar. Clinicliler, zihinsel önerileri anlamadan risk puanını almaya isteksizdir: SHAP (SHapley Katkıları) ve LIME (Local Interpretable Model-agnostic Explanations) gibi hesaplama teknikleri, bazı doktorların çoğunun bireysel bir tahmin oluşturmasını gerektirdiğini vurgular. Ancak, bu yöntemler sınırlamaları açıklayabilir: SHAP değerleri büyük modeller için hesaplamak için sayısal olarak pahalı olabilir ve LIME'nin yerel yaklaşımları da istikrarsız olabilir.

Bias ve Fairness

Bazı demografik grupları aşırı eğitim verileri, EHR-trained DKD tahmin modelinin beyaz hastalar için yayınlanan bir çalışma için kötü performans gösterebileceğini tespit etti:0] ).[Döneticiler:0][DFLT:4:2][DQ-trained DKD tahmin modelinin beyaz hastalar için geçerli olan siyah hastalar için% 18 daha yüksek olması nedeniyle, büyük ölçüde Siyah hastalar eğitim setinde daha az kaydedilen laboratuvar değerlerinin düşük olması şartıyla).[DFRD)).

Klinik İş Akışı ile Bütünleşme

Klinik iş akışını bozuyorsa doğru tahmin edici bir model işe yarar. Birçok araştırma sınıfı modeli asla canlı bir EHR ortamında kullanılmamıştır. Başarılı entegrasyon gerektirir: (1) EHR'den gerçek zamanlı veriler çeken orta dikkat, (2) risk puanları CDS uyarılarının saniyeleri içinde hesaplanan risk puanları, eylemlerin yapıldığı zaman kabul edilebilir olan klinik karar desteği (CDS) uyarıları ve (4) kullanıcı dostu panjektörleri zaman üzerinde gösteren uyarıları.

Future Yol

DKD için tahmin edici modeller, daha doğru, yorumlanabilir ve sorunsuz bir şekilde bakım teslimine entegre edilecektir.

Yasal Uyarıcı Öğrenme - Multi-Site Eğitimini Korumak

Hassas hasta verileri merkezileştirmeksizin sağlam modeller yetiştirmek için, beslenme süresi hastanelerin yerel verileri tutarken bir modele işbirliği yapmasına izin verir.Sadece CKD tahminleri için 0.86'lık bir modele sahip olduğu gibi, merkezi eğitimli bir modele (AUC 0.87) ile ilgili olarak, Avrupa Sağlık Uzayı ve sınırların kabul edilen bir veri paylaşımının (AUCD) tarafından eğitilmiş bir modele benzer şekilde belirlenmesi.

Multi-Omics Entegrasyon

Geniklerde, proteomics ve metabolomics, DKD tahminini önemli ölçüde geliştirebilecek yüksek boyutlu moleküler profiller üretmektedir. Harvard Kidney Initiative'den 2024 çalışma, KIM-1, NGAL ve suPAR ile ilgili 50 biyomarker içeren bir veri ekledi. 5 yıllık ESRD risklerini tahmin etmek için 0,0(kaynak). Protemik paneller ile 50 biyomarkers (C.-1, NGAL ve suPAR) artacaktır.

Gerçek RiskTime Giyilebilirlerle İzleme

Sürekli glukoz monitörleri (CGMs) ve ambulatory kan basıncı monitörleri, dinamik risk değerlendirmeleri için makine öğrenimi modellerine besleyebilecek yüksek frekanslı veri akışları üretebilir ve CGM-derived zaman aralığının artacağını tespit edebilir.

Causal Machine Learning for Treatment Rehberlik

Mevcut tahmin modelleri “ risk altında olan?” cevap verir, ancak “bu konuda ne yapmamız gerekir?” Causal makine öğrenimi (örneğin, causal ormanlar, çift/debiased makine öğrenimi) yüksek HbA1c varisik ama düşük temel eGFR gibi, HbAc ile sabit olmayan bir tedaviden daha fazla fayda sağlayabilir.

Sonuç Sonuç Sonuç Sonuç Sonuç Sonuç Sonuç Sonuç

Makine öğrenimi, diyabetik hastalarda uzun vadeli böbrek hasarı tahmin etme yeteneği hızla ilerliyor, klinik, görüntüleme, genomik ve kullanılabilir veri kullanımında karmaşık modelleri yakalamak için geleneksel risk faktörlerinin ötesine geçiyor. Son araştırmalar, CKD ilerleme ve ESRD'yi tahmin etmek için 0.85'in üzerinde sürekli olarak rapor ediyor, bazı modeller Kidney Başarısız Risk Emisyon Riski 10–15%. Ancak gerçek dünya dağıtımı, veri kalitesi, yorumlanabilirlik, adillik ve iş akışı entegrasyonu için daha iyi bir şekilde zorlaşacaktır.