Trong thập kỷ vừa qua, việc học hỏi máy đã nổi lên như một công cụ chuyển đổi trong nephraology, đặc biệt là để dự đoán thiệt hại thận lâu dài của bệnh nhân tiểu đường. Với tiểu đường ảnh hưởng trên hơn 537 triệu người lớn trên toàn cầu và khoảng 40% phát triển bệnh thận mãn tính (RD), nhu cầu dự đoán chính xác, sớm không bao giờ cấp. Tính toán tương phản với sự nhập bình thường của các biến số kỹ thuật điện tử (eFRRRRRR) và các thí nghiệm thường xuyên hơn. Việc nghiên cứu về các mô hình sinh học và các loại thuốc này đã trở thành các mẫu phức tạp.

Tại sao dự đoán sớm về bệnh tiểu đường

Chẩn đoán là nguyên nhân hàng đầu của bệnh xơ cứng cổ (ESRD) trong các nước phát triển nhất. Bệnh nhân thường tiến triển âm thầm: chức năng thận bình thường và không có albuminuria trong nhiều năm trong khi xơ cứng cổ và igomeal renism (gomeal reprocial depress) tích lũy. Trong thời gian eGFR giảm 60 m/min/ 1.3. 2. Tính năng suy thận không thay đổi. Việc nhận diện sớm các cá nhân nguy cơ có khả năng tăng lượng u mê, máu tăng cường, tăng cường với hệ thống ren- loop-doster, và tăng cường chức năng giảm protein và các hệ thống tăng cân như hệ thống định hướng như thế đã được kiểm soát chậm hơn 30 năm trước, nhưng có thể xác định hiệu lực hiệu quả kiểm soát nhanh hơn khả năng kiểm soát của các bệnh nhân trước khi máy tính năng tăng tốc độ hấp dẫn, nhưng có khả năng tăng tốc độ hấp dẫn của các đường dẫn nhanh hơn 30% các đường dẫn để kiểm soát. Tuy nhiên, khả năng tăng tốc độ hấp dẫn từ phức tạp hơn là khả năng tăng tốc độ hấp dẫn của cơ thể xác định tốc độ hấp dẫn

Làm thế nào máy học nâng cao khả năng dự đoán trên mô hình truyền thống

Các phương pháp thống kê phổ biến, như hồi quy và các mô hình Cox, giả định mối quan hệ tuyến tính giữa các nhà dự đoán. mô hình học tập vượt qua những giới hạn này bằng cách nắm bắt các tương tác không tuyến tính, xử lý dữ liệu cao, và tự động phát hiện các mẫu phức tạp. Ví dụ, mô hình học tập máy có thể học được rằng sự kết hợp của một sự tăng tinh tế trong u nang C, một giọt nhỏ trong Hmlobin, một gia đình có nhiều khả năng biến đổi, và một gia đình của các tín hiệu ESRD sắp sửa bị hủy hoại, ngay cả khi mỗi giá trị trong phạm vi bình thường. Khả năng nhận ra các mẫu gần đây là dự đoán những gì máy phát hiện ra các cạnh cuối của nó.

Kiến trúc mô hình khoá

  • Máy nâng cấp dữ liệu kiểu X (XG Boost, LightBM, Cat Boost, Cat mục) chi phối dữ liệu dạng hình thẻ từ dữ liệu sức khỏe điện tử. Họ xử lý giá trị bị mất, cung cấp điểm số quan trọng, và thường đạt được giá trị Nhà nước giữa 0.85 và 0.92 để dự đoán CKD trong tiểu đường.
  • Những mạng thần kinh học được dùng cho dữ liệu chưa cấu trúc: mạng thần kinh hình thành (CNNNNN) có thể phân tích các hình ảnh sinh thiết thận để định tuyến xơ hóa và xơ cứng; mạng thần kinh tái phát (RNT: 1) và chuyển đổi có thể mô phỏng các mạng eGFRcracate từ các phép đo đạc tiếp nối tiếp.
  • Khu rừng sinh tồn mở rộng rừng ngẫu nhiên đến phân tích thời gian và thời gian, đưa ra những rủi ro không tương đối ước tính rằng mô hình ngoài tiêu chuẩn Cox khi các rủi ro tỷ lệ bị vi phạm.
  • Mạng sống của bọn sâu bọ (v., Deep Suếtv, CoxTime) kết hợp việc học tập sâu vào phân tích, học các chức năng rủi ro phức tạp từ dữ liệu cao không gian.

Các phương pháp có thể kết hợp nhiều kiến trúc ví dụ, xếp chồng một bộ nâng cấp với một mạng lưới thần kinh -- bộ tăng cường sản xuất hiệu suất tốt nhất bằng cách giảm thành kiến và biến đổi.

Nguồn dữ liệu và kỹ thuật đặc trưng

Các hiệu suất của bất kỳ máy học mô hình phụ thuộc vào độ rộng và chất lượng của dữ liệu nhập. nguồn chung cho dự đoán DKD bao gồm:

  • Hồ sơ sức khỏe của Electronic (EHRs): ), chẩn đoán, thuốc, giá trị phòng thí nghiệm (creatin C, Hb1c, albuminuria), dấu hiệu quan trọng và mã thủ tục.
  • Hình ảnh chụp cắt lớp: hình ảnh siêu âm thận (dài dày, vỏ não), và hình ảnh ngoại cảm toàn cảnh từ sinh học.
  • Dữ liệu gen: điểm đa dạng sinh học cho bệnh tiểu đường, đơn cơ bản trong gen như ) , , [FLLT:] [FLLLT:5], [FLLLLL:5], [FLLL:] và [FL:6] [FL:6] [FHT] [FHT] [FLT] [FLT].
  • Dòng thiết bị dễ nghe: liên tục giám sát (CGM), kiểm tra huyết áp và dữ liệu hoạt động thể.

Kỹ thuật tính năng vẫn còn là bước quan trọng. Tính năng có tính năng như "eGFR dốc 24 tháng qua," "HbA1c hệ số biến thể," "thời gian dưới 70 mg/dL (tọa độ đường huyết lỏng)", và "ghi điểm y" thường mang nhiều năng lượng dự đoán hơn giá trị thô. Tính năng tự động của thế hệ công cụ (v. g. tính năng) có thể tạo hàng ngàn tính năng ứng cử viên, nhưng chuyên môn là thiết yếu để chọn những điểm có ý nghĩa y khoa và tránh nhiều mối tương quan từ việc thử nghiệm.

Nghiên cứu và kiểm tra y khoa gần đây

Nhiều nghiên cứu cao cấp được công bố từ năm 2020 đến 2024 đã chứng minh sự ưu việt của việc học mô hình máy tính cho dự đoán DKD trên các dân số đa dạng.

Một cuộc nghiên cứu ) [FLT:] [FLT: 1] [FLT:] [FLT:] [FLT:] [FLT:] [FLT: 1, 1] [FLT:] [FLT:] [FLT:] [FLT:] [FLT:] [FT: 1, 1, 1, 1, 2, 2,000 bệnh nhân tiểu đường dẫn xuất huyết thống kê, giả mạo eGFR, UA, age, age, age, age, HBOR, và áp lực tâm thức và tăng cường âm]. Một mô hình hợp lệ cho phép dự đoán giai đoạn 0.87, trong vòng 3 năm qua năm, xuất phát triển của hệ thống giáo dục của Viện nghiên cứu tổng quát.

Một nghiên cứu khác từ Hiệp hội Nephraology ) của Mỹ ) ), dùng OR24] để dự đoán sự cố CKD trong loại 2 bệnh nhân tiểu đường từ thử nghiệm ORG [FLT: 1]. Mô hình đạt được mức độ cao của 0,92 trong vòng 3 năm rủi ro eGFR tăng 30%, tốt hơn đáng kể so với điểm rủi ro truyền thống (AUC078). Quan trọng hơn, mô hình 38% các bệnh nhân bị thiếu hụt bởi mô hình này.

Một meta-analysis xuất bản ) ) xem xét 47 nghiên cứu và thấy rằng máy học cách xử lý sự phân biệt đối xử với DKD bởi trung bình 10–15% hơn hồi quy bản ghi thông thường, với sự tổng hợp của 0,88 (95% C85–1). Phân tích cũng ghi nhận rằng các dữ liệu dài (đã được cải tiến) đo lường chỉ bằng các giá trị cơ sở dữ liệu đó.

Trong một cuộc nghiên cứu đa trung tâm Trung Quốc về 50.000 bệnh nhân bị tiểu đường loại 2 sau 10 năm, một mô hình XG Boost đạt được một AUC của 0.88 dự đoán ESRD, với các âm mưu cân chỉnh cho thấy sự thỏa thuận tuyệt vời giữa dự đoán và quan sát rủi ro. mô hình đã được nhập vào hệ thống EHR của bệnh viện địa phương và được sử dụng cho các cuộc thăm bệnh nhân thời gian thực, cho thấy khả năng có thể sử dụng trong một bối cảnh không gian có nguồn lực.

Những thử thách và giới hạn

Mặc dù những kết quả hứa hẹn, một số rào cản phải được vượt qua trước khi máy học có thể trở thành một công cụ lâm sàng thường xuyên cho dự đoán DKD.

Chất lượng dữ liệu và sự khó chịu

Dữ liệu EHR nổi tiếng ồn ào: giá trị thiếu vắng, khoảng cách đo lường bất thường, và sự khác biệt trong phòng thí nghiệm, giả thuyết về các tổ chức đều bị hạ cấp. Ví dụ, u nangtatin C không được đo lường đồng bộ qua trung tâm, và giả thuyết creatin có những biến thể thay đổi. Mô hình được đào tạo từ các trung tâm y tế với các trung tâm y tế thường xuyên giám sát có thể không tổng quát đến các phòng khám cộng đồng nơi bệnh nhân có ít đo đạc hơn. Các chiến lược cắt giảm số, như nhiều tính năng cắt giảm hoặc mới được đưa ra, giới thiệu. Việc thu thập dữ liệu chuẩn và chấp nhận dữ liệu thông thường. (v. d.M.M.M.M. có thể giúp đỡ tiếp nhận thông tin chậm rãi.

Khả năng hiểu và sự tin cậy

Các mô hình học tập sâu sắc, đặc biệt là những người sử dụng mạng thần kinh hoặc các phương pháp tổng hợp, thường được mô tả như hộp đen. Các nhà khoa học miễn cưỡng không muốn làm việc trên điểm mạo hiểm mà không hiểu được. Những phương pháp này có thể giải thích được như iP (Shapley Addtiveive Exlanations) và LIME (các giải thích tương đối tương đối có thể được, thậm chí với một số nhà khoa học hoài nghi, có thể nhấn mạnh những tính năng đóng góp nhiều nhất cho một dự đoán riêng lẻ. Tuy nhiên, những phương pháp này có những giới hạn: giá trị chia sẻ có thể là số lượng lớn, và LITTTTTTT có thể không ổn định, ngay cả với một số thuật toán viên đáng tin cậy, các nhà nghiên cứu về việc xây dựng và sự tham gia về y khoa học về sự tham gia phát triển tích cực.

Bias và công bằng

Nếu dữ liệu đào tạo đại diện cho một số nhóm dân số, mô hình có thể thực hiện không hợp lệ cho dân số dưới đại diện. Một cuộc nghiên cứu được xuất bản [ Y học kỹ thuật số ) ) [FT:]] [2023] [FLT]] [20], mô hình Hiến pháp điều khiển bởi vì tỷ lệ dương cao hơn 18% so với bệnh nhân da trắng, phần lớn bệnh nhân có tỷ lệ tử phụ nữ có tỷ lệ tử thấp hơn, nhưng có khả năng tăng khả năng tăng lên trong việc tập luyện tập ảnh phụ nữ, giảm dần khả năng sử dụng tập ảnh phụ nữ.

Hợp nhất thành luồng công việc lâm sàng

Một mô hình dự đoán chính xác là vô ích nếu nó phá vỡ dòng công việc lâm sàng. Nhiều mô hình nghiên cứu chưa bao giờ được triển khai trong một môi trường EHR. Sự kết hợp thành công: (1) phần giữa kéo dữ liệu thời gian thực từ hệ thống EHR, (2) khả năng tính toán trong giây của một cuộc gặp bệnh nhân, (3) hỗ trợ quyết định lâm sàng (CS) cảnh báo hành động không có tính năng, và (4) hệ thống điều khiển thân thiện người dùng hiển thị rủi ro qua thời gian. Kỹ thuật viên ở Kaisquite và Viện điều trị Mayo đã cho thấy rằng CDS có khả năng được chấp nhận khi họ khuyến cáo hành động (vS) và bắt đầu kiểm tra sức mạnh. Vẫn còn có thể gây ra các mối nguy cơ gây ra rủi ro về việc sử dụng các thuật toán và hoạt động không hiệu quả.

Hướng tương lai

Thế hệ dự đoán tiếp theo của DKD sẽ chính xác hơn, có thể giải thích được và kết hợp chặt chẽ hơn vào việc phân phối chăm sóc.

Tập huấn luyện đa mục tiêu đã được điều chỉnh

Để đào tạo các mô hình mạnh mẽ, không cần tập trung dữ liệu nhạy cảm của bệnh nhân, việc tập luyện cho phép bệnh viện có khả năng hợp tác huấn luyện một mô hình trong khi lưu trữ dữ liệu. Chỉ có các bản cập nhật hình mẫu (các học sinh) được chia sẻ, bảo tồn quyền riêng tư. Kết quả ban đầu từ cho phép bệnh viện nghiên cứu trẻ em hợp pháp hóa khả năng dự đoán bệnh thận (FLT: 1, 2) trong khi tránh các dữ liệu chuyển đổi. Quy tắc như dữ liệu không gian và hệ thống sức khỏe (FAFAF)

Hợp nhất đa vũ trụ

Tiến trình về gen, protein và di truyền đang tạo ra những hồ sơ phân tử không gian cao có thể cải thiện đáng kể DKD. Một cuộc nghiên cứu 2024 từ Quỹ Tiền định Harvard kết hợp dữ liệu EHR với nhiều rủi ro đa dạng cho 120 tính năng liên quan đến thận và đạt được mức độ kinh ngạc 0.94 để dự đoán rủi ro 5 năm ESRD [FLT: 0][FLT1]. Bảng phân tích cơ bản 50 dấu sinh học (bao gồm 1- 2- 1 - 1, và giá trị suPL). Khi các công nghệ này giảm thiểu các mô hình, các mẫu di truyền học sẽ trở thành dữ liệu chăm sóc thường xuyên và có tính năng sinh học.

Nguy cơ thời gian thực theo dõi với những bộ đồ mặc

Theo dõi độ phân giải liên tục (CGM) và bộ theo dõi huyết áp tích hợp đã tăng 15mmHg trong vòng hai tuần, kết hợp với lượng đường huyết áp cao, và kích hoạt cảnh báo để kiểm tra các mô hình học tập thông tin tiểu tiện để đánh giá sự nguy hiểm. Chẳng hạn, một mô hình có thể phát hiện rằng huyết áp tâm thu của bệnh nhân đã tăng 15 mmHg trong hai tuần, kết hợp với tăng cường lượng đường huyết áp, và kích hoạt cảnh giác để kiểm tra albumin nước tiểu sớm hơn. Các nghiên cứu cho thấy rằng áp suất thời gian tích hợp CGM trong phạm vi định hướng và gcly tăng cường các dự đoán eFGGGGG nhanh hơn. Khi các thiết lập thận có thể thực sự tăng cường hơn, có thể tăng cường khả năng tuần phản hồi chăm sóc thận.

Máy tính học phương pháp điều trị

Các mô hình dự đoán hiện thời trả lời "ai là rủi ro?" nhưng không phải "Chúng ta nên làm gì về nó?" Máy nhị phân học (v. d., rừng causal houseing, hai phần trăm máy học tập) nhằm ước lượng hiệu ứng điều trị đa dạng của sự can thiệp - chẳng hạn như SGL2 chất ức chế, cảm ứng GLP-1, hoặc áp lực cao thấp hơn phát triển DKD. Lấy thí dụ, một mô hình caus có thể xác định bệnh nhân có khả năng tăng H1 biến đổi nhưng eFR thấp nhận được nhiều lợi ích hơn từ một chất ức chế ST2 đối tượng xử ổn định hơn so với một đối tượng xử cá nhân có thể được ước tính hiệu quả từ tính chính xác.

Kết luận

Máy học đang nhanh chóng tăng khả năng dự đoán tổn thương thận lâu dài cho bệnh nhân tiểu đường, vượt qua các yếu tố truyền thống để thu thập các mẫu phức tạp trong lâm sàng, hình ảnh, kỹ thuật và mặc đồ. các nghiên cứu gần đây nhất định báo cáo khả năng dự đoán sự tiến triển thận dài hạn của bệnh nhân, với một số mô hình vượt quá mức nguy hiểm của thận 10–15%. tuy nhiên, việc triển khai thực tế đòi hỏi nhiều thách thức về chất lượng, tính công bằng và tích hợp. Giải pháp tiết kiệm, tích hợp đa ngôn ngữ, dữ liệu thực tế, và sử dụng máy tính này để tạo ra những mô hình không chỉ có thể thực hiện được mà còn giúp đỡ những bệnh nhân này trở thành một phần chính xác hơn, và giảm thiểu hiệu quả của các bệnh nhân, và giảm thiểu hiệu quả của các bệnh lý giải pháp giải quyết về thận.