За останні десятиліття машинне навчання виник як трансформативний засіб в нефрології, зокрема для прогнозування довгострокових пошкодження нирок у діабетичних пацієнтів. При цукровому діабеті впливає понад 537 млн дорослих по всьому світу і приблизно 40% розвивається хронічна хвороба нирок (ККД), потреба в точних, ранньому прогнозі ніколи не була більш актуальним. Традиційна стратифікація ризику — на основі оцінки гломеруальної частоти фільтрації (ЄГФР), співвідношення сечі в лікуванні патологічних захворювань, які свідчать про високі проблеми з патологічним захворюванням, які свідчать про високі проблеми з патологічним захворюванням, які свідчать про те, що патологічні процеси, що свідчать про здоров’я, біологічні дані, безперервні дослідження, безперервні дані, генетичні дослідження

Чому раннє прогнозування матриць в діабетичній хвороби нирок

Діабет є провідною причиною ендостагічної хвороби нирок (ESRD) в більшості розвинених країнах. Захворювання часто прогресує мовчно: пацієнти можуть мати нормальну еГФР і не амононімурію протягом років, коли міжстатевий фіброз і гломерульозний пошкодження накопичуються. За час еГФР падає нижче 60 мл / хв / 1,73 м2, незворотна втрата функції нирок. Раннє визначення внутрішньо переміщених осіб дозволяє клінікам посилити швидке затримку глюкози, оптимізувати артеріальний тиск з ренін-ангіотензин-альдостероном, що призводить до зменшення струму

Як розвивається машинне навчання за традиційними моделями

Звичайні статистичні методи, такі як логістика регресія і кокс пропорційні моделі небезпеки, припускають лінійні відносини і незалежність серед предикаторів. Машинні моделі навчання долають ці обмеження, захоплюючи нелінійні взаємодії, обробки високовимірних даних, і автоматично відкривають складні візерунки. Наприклад, модель машинного навчання може дізнатися, що поєднання тонкого підйому в кістину C, невеликої краплі в гемоглобін, висока варіабельність HbA1c, а сімейна історія сигналів ESRD, що перешкоджають появі нирок, навіть коли кожна індивідуальна вартість залишається в нормальних діапазонах. Ця можливість виявити пізні візерунки є те, що дає машинне навчання його передбачуваним краємним краєм.

Основні архітектурні архітектури

  • Градієнтні машини для підвищення продуктивності (XGBoost, LightGBM, CatBoost) домінують структуровані дані з електронних записів охорони здоров'я. Вони добре ручать відсутні значення, забезпечують важливі показники, а часто досягають значення показників AUC між 0.85 і 0.92 для прогнозування CKD накладки в діабеті.
  • Deep Learning нейромережі використовуються для неструктурованих даних: конвюктивні нейромережі (CNN) можуть проаналізувати біопси гістопатології нирок, гірки для кількісного визначення фіброзу та склерозу; рецидивні нейромережі (RNNs) та трансформатори можуть моделювати поздовжні еліти з серійних лабораторних вимірювань.
  • Random виживання лісів продовжить випадкові ліси до аналізу часу, пропонуючи непараметричні оцінки небезпеки, які перетворюються Кокс моделі при порушенні пропорційних небезпечних ризиків.
  • Deep виживання (наприклад, DeepSurv, CoxTime) вглибше вчиться в аналіз виживання, вихровий комплекс функцій ризику з об'ємних даних.

Методика Ensemble, що поєднує в собі декілька архітектурних рішень, наприклад, укладання градієнтного підсилювача з нейромережею — відхиляється найкраща продуктивність, зменшуючи зсув і варіабельність.

Джерела даних та спецтехніка

Важко віднести результати будь-якої моделі машинного навчання, що залежить від хліба та якості вхідних даних. До таких умов відносяться:

  • Електронні записи для здоров’я (EHR): демографічні дані, діагностики, медикаменти, значення лабораторії (креатитин, кіститин C, HbA1c, альбумінурія), життєві ознаки, та коди процедури.
  • Медична візуалізація: УЗД нирок (довжина, кортична товщина) і цільно-слідні протези з біопсій.
  • Геомічні дані: полігенні оцінки ризику для діабетичної нефропатії, поліморфізмів однонуклеотиду в генах, таких як UMOD, ACE, і NPHS2.
  • Потоки пристрою: безперервний контроль глюкози (CGM) час серії, контроль тиску амбулаторного артеріального тиску та дані фізичної активності.

Особлива інженерія залишається вирішальним кроком. Витратжені функції, такі як "eGFR схил протягом останніх 24 місяців", "HbA1c коефіцієнт варіації", "time нижче 70 мг/dL (гіпогліцемірна частота), " і "значень показника прихильності" часто здійснюють більш передбачувану потужність, ніж сирі значення. Автоматичні функції генерують інструменти (наприклад, функціїtools) можуть створювати тисячі функцій кандидата, але експертиза домену є важливим для вибору клінічно значущих і уникнути спритних кореляцій з декількох випробувань.

Останні дослідження та клінічні дослідження

Кілька високопродуктивних досліджень, опублікованих між 2020 та 2024, показали, що відмінність моделей машинного навчання для прогнозування DKD у різних популяціях.

У дослідженні 2023 Журнал нефрології] навчався глибоку модель навчання на 180,000 діабетичних пацієнтів з біобанку Великобританії, некорпоративних екГФР, УАКР, вік, секс, HbA1c і систолічного артеріального тиску. Модель досягла AUC of 0.89 для прогнозування прогресування до CKD етапу 3 більше п'яти років, перетворюючи Kidney Failure Ризик Еквалтування (KFRE 0.87) на 12%. Незалежність в повному стані в акансуванні

Ще одним зауваженим питанням Американське товариство нефрології (2024) використовується градієнтний приріст (XGBoost) для прогнозування інциденту CKD у хворих на цукровий діабет EMPA-REG OUTCOME. Модель досягла AUC 0.92 для 3-річного ризику стійкого EGFR зниження ≥30%, значно краще, ніж традиційний ризиковий бал (AUC 0.78). Важливо, модель виділила 38% пацієнтів, як високий ризик, який пропущено показом на основі ULCR.

2024 мета-аналіз опублікований в Diabetes Care]] переглянути 47 досліджень і виявив, що моделі машинного навчання покращили дискримінацію для прогресування DKD в середньому на 10–15% над звичайною логістичною регресія, з басейном AUC 0.88 (95% CI 0.85–0.91). Аналіз також зазначив, що моделі, що некоректні поздовжні дані (повторні заходи) перетворені ті, що використовують тільки базові значення.

У багатоцентровому китайському дослідженні 50 000 пацієнтів з цукровим діабетом типу 2 з 10 років досягла моделі XGBoost, що досягла AUC 0.88 для прогнозування ESRD, з калібрувальних ділянками, що показують відмінну угоду між прогнозованими та вираженими ризиками. Модель була інтегрована в систему місцевого стаціонару та використовується для оцінки ризику в реальному часі під час амбулаторних візитів, демонструючи доцільність в обмеженому обстановці ресурсів.

Виклики та обмеження

Незважаючи на ці перспективні результати, кілька бар'єрів необхідно подолати перед машинним навчанням може стати рутинним клінічним засобом для прогнозування DKD.

Якість даних та гетерогенність

Дані EHR неординарно нездужання: відсутні значення, інтервали нерегулярного вимірювання та відмінності в лабораторних засобах між установами, що мають високу продуктивність моделі. Наприклад, цистатин C не вимірюється рівномірно по центрах, а кріатиніну ассай мають варіації калібрування. Модель, що навчається на даних з академічних медичних центрів з частим лабораторним моніторингом, може не загальнихізуватися в клініки спільноти, де у пацієнтів менше вимірювань. Стратегія імміграції, такі як багаторазове імutation або останнє спостереження, перевезено вперед, вводять bias. Стандартизація збору даних та прийняття поширених моделей даних (наприклад, OMOP CDM) може допомогти, але поширене прийняття залишається повільним.

Перевага та довіра

Глибокі моделі навчання, особливо ті, які використовують нейромережі або методи ансамблю, часто описані як чорні коробки. Клініки розуміють, що небажано діяти на ризиковий бал без розуміння раціону. Виключні методи AI, такі як SHAP (Sapley Additive exPlanations) і LIME (Локальні міжпередаючі моделі-агностичні пояснень) можуть виділитися, які функції сприяють більшості індивідуального прогнозування. Однак ці методи мають обмеження: значення SHAP можуть бути обчислюються дорого для великих моделей, а локальні наближення LIME можуть бути нестабільними. Крім того, навіть з поясненнями, деякі лікарі залишаються скептичною клінічних рекомендацій.

Біаса і справедливість

Якщо дані про навчання, що надходять в певні демографічні групи, модель може виконуватися погано для недоотриманих популяцій. Дослідження опубліковано в Натура цифрової медицини] (2023) встановлено, що модель прогнозування EHR-тренінгу DKD мала помилкову позитивну швидкість 18% вище для чорних пацієнтів, ніж для білих пацієнтів, що мають більш високий рівень, оскільки чорні пацієнти мали менше записані значення лабораторії в комплекті навчання (джерело). Аналогічно, моделі, що пройшли попереднє зниження ризику жінок

Інтеграція в клінічний процес

Точна прогнозна модель без використання, якщо вона порушує клінічний процес роботи. Багато моделей дослідження ніколи не були розгорнуті в середовищі ВП EHR. Успішна інтеграція вимагає: (1) середнє програмне забезпечення, яке витягне дані в режимі реального часу від EHR, (2) оцінка ризику, що комп'ютерні протягом декількох секунд зіткнеться пацієнта, (3) клінічна підтримка рішення (CDS) оповіщення, які не-розрізно, а (4) зручні панелі, які відображають ризики, що перенесли ризики. Пілотні впровадження в клініці KaiserPere і Mayo Clinic показали, що сповіщення CDS, швидше за все, будуть прийняті, коли вони включають в дію алгоритм (наприклад, але не містить.

Майбутні напрямки

Наступне покоління прогнозованих моделей для DKD буде більш точним, інтерпретованим і безшовним в інтегровану в доставку.

Federated Learning для конфіденційності-сервера

Для підготовки надійних моделей без централізованих конфіденційних даних пацієнта, federated learning дозволяє лікарням спільно навчати модель під час зберігання даних локальних. Доведено лише оновлення моделі (градієнти), збереження конфіденційності. Ранні результати з / Fedded Kidney Disease Прогнозування Consortium (2024), що federated model, що навчається через 12 лікарень, досягнуто AUC of 0.86 для прогнозування CKD, майже ідентичні центрально підготовленій моделі (AUC 0.87), уникаючи передачі даних. Нормативні основи, такі як Європейський простір даних охорони здоров'я та крос-інституційні угоди про розширення даних [FLT]:

Інтеграція мульти-омік

Поспішні в геномах, протеоміці та метаболоми виробляють високовимірні молекулярні профілі, які можуть істотно покращити DKD прогнозування. Дослідження 2024 з Гарвардської ініціативи Kidney об'єднані дані EHR з полігенними ризиками для 120 рідких речовин і досягнуто AUC 0.94 для прогнозування 5-річної ESRD ризику ]. Протеомічні панелі вимірюють 50 біомаркерів (включаючи KIM-1, NGAL, і suPAR) додані некрементальні значення. Як витрати оміків-технологій зменшуються, моделі, які інтегрують фізіологічні, хімічні дані, генетичні, хімічні та генетичні дані, генетичні, генетичні дані будуть хімічні, генетичні дані, хімічні, хімічні та генетичні дані, генетичні дані, хімічні, хімічні, хімічні та хімічні та генетичні дані, генетичні дані, генетичні, хімічні та хімічні та хімічні, генетичні, генетичні, генетичні, генетичні, хімічні та

Моніторинг ризиків реального часу з з в'язаними матеріалами

Безперервні монітори глюкози (CGMs) і амбулаторні монітори артеріального тиску генерують високочастотні струмки даних, які можуть харчуватися в моделі машинного навчання для динамічної оцінки ризику. Наприклад, модель може виявити, що нікрановий систолічний артеріальний тиск хворого зросла на 15 мм рт. протягом двох тижнів, поєднаний з підвищенням варіабельності глюкози, і викликати оповіщення для перевірки кінського альбуміну. Ранні дослідження доказів свідчать, що неправильне використання GM-переважних міток може стати поширеними ери для догляду за плазмою нирками, що дозволяють значно більш широко поширені нирки

Каусальне машинне навчання для лікування Гуіденс

Сучасні моделі прогнозування відповідають "хто на ризику?" але не "що слід робити про це?" Дослідження каузальних машин (наприклад, кав'ярні ліси, подвійне / освячене машинне навчання) спрямоване на оцінку гетерогенного ефекту лікування інтервенцій - наприклад, інгібітори SGLT2, агоністи рецепторів GLP-1, або інтенсивне зниження тиску крові - на DKD прогресування. Наприклад, причинна модель може виявити, що пацієнти з високою варіабельністю HbA1c, але низька базова еГФ більше перевага від інгібітора SGLT2, ніж пацієнти з стабільним HbA1c з індивідуальним характеристиками лікування може бути точне лікування.

Висновок

Інтегроване дослідження є швидко збільшуючи здатність прогнозувати довгострокові пошкодження нирок у діабетичних пацієнтів, переходячи за межі традиційних чинників ризику для захоплення складних закономірностей у клінічних, візуалізаціях, геномних та зносних даних. Останні дослідження послідовно повідомляють про AUCs над 0.85 для прогнозування прогресування КПД та ЕРСР, з деякими моделями, що перетворюють ризик Кідней на 10–15%. Однак, в реальному часі розгортання вимагає подолання проблем у якості даних, інтерпретабельності, справедливості та інтеграції робочого процесу. Вдосконалення рішень, що занурюються, багатотомічна інтеграція, в реальному часі зносні дані, тільки ці пристрої, що викликають більше