Объяснимое машинное обучение с применением биоимпеданса для оценки шестимесячного кардиоваскулярного риска при перитонеальном диализе
Авторы: Tsai YL, Wu CL, Chiang JH
Журнал: MED
Опубликовано:
Просмотры: 19
МИКРОТЕМЫ
> АННОТАЦИЯ
Перитонеальный диализ (ПД) широко применяется при терминальной почечной недостаточности, однако сердечно-сосудистые заболевания (ССЗ) остаются основной причиной заболеваемости. Неправильное управление жидкостным балансом повышает риск ССЗ, и биоэлектрическая импедансная спектроскопия (БИС) активно используется для оценки состояния жидкости. Настоящее исследование направлено на создание модели искусственного интеллекта, объединяющей измерения БИС и медицинскую историю пациента, для прогнозирования основных неблагоприятных кардиоваскулярных событий (МАКЕ) в течение шести месяцев среди стабильных пациентов ПД. Данные были разделены по наличию МАКЕ и пациентам: 80% отведено для обучения, 20% — для тестирования. Проблема дисбаланса классов была устранена методом синтетического увеличения меньшинства. Использованы четыре алгоритма машинного обучения: логистическая регрессия, случайный лес, XGBoost, глубокие нейронные сети. Проведена пятикратная перекрестная проверка и настройка гиперпараметров с помощью метода сетки. Оценка эффективности моделей проводилась с использованием площади под кривой ROC (AUC), калибровочных графиков и анализа кривых принятия решений (DCA). Эксперимент по удалению признаков показал сравнительную эффективность моделей, использующих все 15 клинических признаков, только 11 признаков, полученных от БИС, и только 4 признака медицинской истории. Модель случайного леса показала наилучшие результаты (AUC = 0,88), где анамнез заболеваний сердца оказался наиболее значимым предиктором. Калибровка с использованием регрессии Исотона улучшила соответствие вероятностной шкалы (счётчик Брэя = 0,0451). Анализ кривых принятия решений указал потенциальную клиническую пользу. Несмотря на использование четырёх признаков медицинской истории, начальная чувствительность модели составляла всего 0,68. Включение признаков БИС значительно повысило диагностическую чувствительность до уровня 0,84. Модель случайного леса, основанная на 15 доступных клинических признаках, точно предсказывает риск развития МАКЕ в течение шести месяцев среди стабильно лечащихся пациентов ПД, демонстрируя высокую способность различать риски с уровнем точности до 88%.
▶
Текст разбит на микротемы и переведён с помощью GigaChat.
Нажмите на цитату Ctrl+F — скопируется для поиска в PDF.
1
Прогнозирование сердечно-сосудистого риска у пациентов с хроническим гемодиализом с помощью биоимпедансной модели машинного обучения
Исследование разработало искусственную нейронную сеть, использующую данные биоэлектрического импеданса и медицинскую историю пациента, чтобы предсказать риск серьезных сердечно-сосудистых событий (MACE) в течение шести месяцев среди стабильных пациентов с перитонеальным диализом. Для устранения дисбаланса классов применялся метод синтетической передискретизации меньшинства. В результате лучшей моделью оказалась случайный лес с AUC=0,88, где наиболее значимым фактором оказался анамнез сердечно-сосудистых заболеваний. Использование биоимпедансных измерений значительно повысило чувствительность прогнозирования до 0,84. Исследование показало высокую способность предложенной модели различать пациентов с высоким риском развития сердечно-сосудистых осложнений, обеспечивая клиническую пользу от раннего выявления и профилактики неблагоприятных исходов.