使用时间序列聚类和光梯度增强机器预测CKD进展
Hirotaka Saito1, Hiroki Yoshimura2, Kenichi Tanaka3,4
1Department of Nephrology and Hypertension, Fukushima Medical University, 1 Hikariga-Oka, Fukushima City, Fukushima, 960-1295, Japan.
Scientific reports
|January 19, 2024
概括
预测慢性病的进展是具有挑战性的. 这项研究使用机器学习来识别具有相似功能轨迹的患者群体,发现基线GFR是预测未来功能下降的关键.
科学领域:
- 腎臟病學 (nephrology) 是一種醫學專業.
- 数据科学数据科学数据科学
- 生物统计学 生物统计学
背景情况:
- 慢性病 (CKD) 的进展很难预测,因为细微的症状和复杂因素.
- 早期识别CKD患者的发展轨迹对于及时干预和管理至关重要.
研究的目的:
- 用先进的机器学习技术预测非透析CKD患者的功能轨迹.
- 确定影响估计淋巴膜过率 (GFR) 下降的关键参数.
主要方法:
- 应用时间序列集群分析,根据5年估计的GFR变化将780名CKD患者分为不同的群体.
- 利用光梯度增强机器算法和Shapley增量解释用于预测模型开发和参数重要性分析.
- 定义了五个不同的患者群,基线GFR和观察到的GFR下降率各不相同.
主要成果:
- 将参与者分为五个集群,GFR下降率在五年内从4.9%到45.1%不等.
- 对于估计的GFR轨迹,实现了0.675的预测准确度.
- 确定基线估计GFR (1.61),血红蛋白 (0.12) 和体重指数 (0.11) 是最重要的预测因素.
结论:
- 基线估计的GFR是CKD患者功能转变的主要决定因素.
- 估计GFR的约50mL/min/1.73m2的值似乎对轨迹预测至关重要.
- 机器学习模型为个性化CKD进展预测提供了一个有希望的方法.
更多相关视频
11:38Author Spotlight: Enhancing PSC-to-Functional Cell Differentiation Using ML Models Based on Live-Cell Bright-Field Imaging
Published on: October 4, 2024
577
04:09Predicting Treatment Response to Image-Guided Therapies Using Machine Learning: An Example for Trans-Arterial Treatment of Hepatocellular Carcinoma
Published on: October 10, 2018
8.3K
