к.м.н., доцент
г. Самара
PhD
Samara
д.м.н., профессор, профессор РАН
г. Самара
DSc, Prof., Prof. of the RAS
Samara
Актуальность. Диагностика ранней стадии хронической болезни почек (ХБП) является глобальной проблемой, поскольку чаще диагностируются поздние стадии заболевания. Разработка методов моделирования для принятия управленческих решений, направленных на повышение эффективности ранней диагностики ХБП, является важной научно-практической задачей, в решении которой большую поддержку может оказать использование алгоритмов машинного обучения (MLA).
Цель. Повышение точности диагностики ХБП с использованием данных анамнеза, клинико-инструментального, генетического обследования и MLА.
Материал и методы. Данные были получены из одноцентрового ретроспективного катамнестического когортного исследования (2011–2022 гг.) детей с ХБП 1-4 стадии в возрасте от 1 до 17 лет. В основную группу включены 128 детей с хроническими заболеваниями почек, в группу сравнения – 30 детей без патологии почек. Дети двух групп статистически значимо не различались по полу и возрасту. Для построения модели диагностики ХБП использованы данные анамнеза, клинико-инструментального и генетического обследования. Модель построена с применением MLA многофакторная логистическая регрессия (MLR). В модели использовано три переменных: СОЭ (β = 0,392; p<0,001).
Результаты. Получена диагностическая модель, позволяющая на тестовой выборке выявлять ХБП с точностью 90,3% [80,6; 96,8]%, чувствительностью 92,0% [81,5; 100,0]%, специфичностью 83,3% [50,0; 100,0]%, ROC-AUC = 90,0% [77,2; 100,0]%. Полученная модель отличного качества (>90%), т.к. ROC-AUC составляет на тестовой выборке 0,90. Значение точки отсечения вероятности ХБП равно 0,25.
Выводы. Разработана и протестирована модель, которая с высокой точностью диагностирует на ранней стадии ХБП у детей.
Background. Diagnosis of early-stage chronic kidney disease (CKD) is a global challenge, as late-stage disease is more commonly diagnosed. The development of modeling methods for making management decisions aimed at improving the efficiency of early diagnosis of CKD is an important scientific and practical task, which can be greatly supported by the use of machine learning algorithms (MLA).
Aim. To improve the accuracy of diagnosis of CKD using data from history, clinical-instrumental, genetic examination and machine learning algorithms (MLA).
Methods. Data were obtained from a single-center retrospective catamnestic cohort study (2011–2022) of children with CKD stage 1–4 aged 1 to 17 years. The main group included 128 children with CKD, and the comparison group included 30 children without any kidney disease. Two groups were comparable by sex and age. The data of anamnesis, clinical-instrumental and genetic examination were used to build a model for CKD diagnosis. The model was built using the MLA multivariate logistic regression (MLR). Three variables were used in the model: erythrocyte sedimentation rate in blood (β = 0,392; p<0,001).
Results. A diagnostics model was obtained allowing prediction of CKD on a test sample with accuracy of 90,3% [80,6; 96,8], sensitivity of 92,0% [81,5; 100,0], specificity of 83,3% [50,0; 100,0], ROC-AUC = 90,0% [77,2; 100,0]. The resulting model is of excellent quality (>90%) as the ROC-AUC is 0,90 on the test sample. The cut-off point value of the probability of CKD is 0,25.
Conclusions. We developed and tested the model that diagnoses early-stage CKD in children with high accuracy.
The authors declare that there are no conflicts of interest present.