腹膜运输的纵向变化及其对透析结果的影响:一种机器学习方法,整合临床和生物标记数据
American journal of nephrology
|April 20, 2025
概括
腹膜透析患者持续或增加高腹膜运输显示出更糟糕的结果. 升高的MMP2和PAI-1生物标志物预测了这些不良腹膜平衡测试 (PET) 变化,改善了风险预测.
科学领域:
- 腎臟病學 (nephrology) 是一種醫學專業.
- 生物标志物 生物标志物
- 机器学习 机器学习
背景情况:
- 腹膜透析 (PD) 中的腹膜运输模式和透析液生物标志物的预测价值尚不清楚.
- 评估腹平衡测试 (PET) 轨迹的纵向变化及其临床影响至关重要.
研究的目的:
- 评估PET轨迹变化对PD患者临床结果的影响.
- 探索透析盐生物标志物在预测运输变化的贡献.
- 开发一种机器学习模型,用于预测腹运输过渡.
主要方法:
- 132名PD患者 (2016-2020年) 的前性研究.
- 患者被分为四个PET轨迹组 (HH,HL,LH,LL).
- 透析液生物标志物 (MMP2,PAI-1) 的量化;支持矢量机 (SVM) 模型的开发.
主要成果:
- 持续高 (HH) 和低至高 (LH) 组 (重新归类为未来高) 面临的不良结果风险明显更高.
- 增加的矩阵金属蛋白酶2 (MMP2) 和等离子原激活剂抑制剂1 (PAI-1) 出现率 (ARs) 与高载体状态有关.
- 综合临床和生物标志物数据的SVM模型实现了比单独临床数据 (AUC 0.71) 更高的预测准确性 (AUC 0.87).
结论:
- 持续或过渡到高载体状态增加了PD患者的不良结果.
- 较高的MMP2 AR和PAI-1 AR水平提高了对不良PET轨迹变化的风险分层.
- 生物标志物集成的预测模型提高了高风险PD患者早期干预的预后准确性.


