预测血液透析患者的早期死亡率:使用韩国全国潜在队列的深度学习方法

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:

• 早期死亡率对启动血液透析 (HD) 的患者的长期生存有显著影响.
• 识别和量化早期死亡风险因素对于改善患者的治疗结果至关重要.
• 机器学习提供了分析复杂健康数据和预测死亡风险的先进方法.

研究的目的:

• 量化风险因素对血液透析患者早期死亡的影响大小.
• 为了比较各种机器学习模型在预测死亡风险方面的表现.
• 确定血液透析患者群体中早期死亡率的关键预测因素.

主要方法:

• 来自CRC-ESRD注册表 (2008-2014) 的3284名血液透析患者队列的分析.
• 使用后勤回归,,拉索,决策树,包装和随机森林的死亡风险模型的验证.
• 开发一个具有自动编码器的循环神经网络 (RNN),用于处理缺失的数据和时间序列变量.
• 应用生存分析技术来预测危险比率.

主要成果:

• 随机森林模型实现了一年死亡率预测的AUC为0.8321,由RNN与自编码器 (AUC0.8357) 改进.
• 生存包装模型显示了最高的危险比率可预测性 (C指数为0.7756).
• 更短的透析持续时间 (<14.9个月) 和高的并发症评分 (修改后的查尔森7-9) 与明显更高的危险比率 (高达7.76) 相关.
• 发现并发症在预测早期死亡率方面比年龄更有影响力.

结论:

• 机器学习模型,特别是RNN,在预测血液透析患者的早期死亡率方面表现出很高的准确性.
• 伴随性疾病负担是早期死亡的更强的预测因素,而不是患者的年龄.
• 监测透析的充分性 (KT/V),RAAS抑制剂的使用和尿液输出对于早期预后评估至关重要.