Расшифровка почечно-слухового пути: интерпретируемое машинное обучение и кластеризация фенотипов выявляют подгруппы высокого риска потери слуха при хронической болезни почек.
Авторы: Chen L, Wang J, Liu G, Zhao Y, Zhou Z, Li Q
Журнал: MED
Опубликовано:
Просмотры: 21
МИКРОТЕМЫ
> АННОТАЦИЯ
Это исследование разрабатывает двухуровневую архитектуру машинного обучения для стратификации риска и фенотипирования потери слуха (ПСЛ) у пациентов с хронической болезнью почек (ХБП), используя данные Национального обследования здоровья и питания США (NHANES). Из выборки из 3402 пациентов ХБП методом селекции признаков через однофакторную и многофакторную логистическую регрессию были выделены ключевые предикторы, использованные для построения моделей прогнозирования с применением девяти алгоритмов машинного обучения. Модель экстремального градиентного бустинга (XGBoost) продемонстрировала наилучшие результаты, со средними значениями площади под кривой ROC (AUC): 0,984 (обучение), 0,984 (валидация), 0,939 (тестирование). Интерпретация Shapley Additive Explanations (SHAP) показала, что возраст является основным детерминантом риска. Последующая кластеризация методом гауссовых смесей (GMM) разделила пациентов на две отдельные подгруппы: низко-рисковую подгруппу ($n$ = 1075) с частотой ПСЛ 1,58%, и высоко-рисковую подгруппу ($n$ = 2316), характеризующуюся старением, повышенным уровнем мочевины крови и бикарбонатов, и частотой ПСЛ 48,2%. Классификатор, обученный на этих подгруппах, обеспечил высокую дискриминационную способность (AUC = 0,99974). Разработан также веб-инструмент на основе шести наиболее значимых признаков. Полученные результаты подтверждают создание двухуровневой предсказательной архитектуры, объединяющей интерпретируемое машинное обучение и неконтролируемую кластеризацию для оценки риска ПСЛ у пациентов с ХБП. Этот подход обеспечивает надежный метод выявления высокорисковых субпопуляций и способствует интеграции оценок слуха в рутинный мониторинг ХБП.
▶
Текст разбит на микротемы и переведён с помощью GigaChat.
Нажмите на цитату Ctrl+F — скопируется для поиска в PDF.
1
Машинное обучение и кластеризация пациентов с ХПН
Исследование разработало двухуровневую систему машинного обучения для оценки риска и фенотипирования потери слуха (ХЛ) у пациентов с хронической болезнью почек (ХБП) на основе данных Национального обследования здоровья и питания США (NHANES). Из выборки из 3402 пациентов с ХБП были выделены ключевые предикторы с помощью логистической регрессии, использованные для построения моделей прогнозирования с применением девяти алгоритмов машинного обучения. Модель экстремального градиентного бустинга (XGBoost) показала наилучшие результаты, с показателями площади под кривой ROC до 0,984. Интерпретация модели SHAP подтвердила доминирующую роль возраста в определении риска. Последующая кластеризация методом гауссовых смесей разделила пациентов на две группы: группу низкого риска с низкой частотой ХЛ и группу высокого риска с высокой частотой ХЛ и признаками старения организма. Разработан веб-инструмент для выявления групп повышенного риска на основе шести наиболее значимых признаков. Полученные данные подтверждают эффективность предложенного подхода для точного скрининга и интеграции оценок слуха в стандартную диагностику ХБП.