vitjВрач и информационные технологииMedical Doctor and Information Technologies1811-01932413-5208Pirogov National Medical and Surgical Center10.25881/18110193_2025_1_82vitj-98Research ArticleОРИГИНАЛЬНЫЕ ИССЛЕДОВАНИЯORIGINAL RESEARCHНомограмма для прогнозирования хронической болезни почек у детей, разработанная с помощью методов искусственного интеллектаNomogram for predicting chronic kidney disease in children developed using artificial intelligence methodsСедашкинаО. А.SedashkinaO. A.

к.м.н., доцент

Самара

PhD, Associate Professor

Samara

sedashkina@inbox.ruКолсановА. В.KolsanovA. V.

д.м.н., профессор, профессор РАН

Самара

DSc, Professor, Professor, Professor of RAS

Samara

a.v.kolsanov@samsmu.ruФГБОУ ВО «Самарский государственный медицинский университет» МЗ РФРоссияSamara State Medical UniversityRussian Federation202524032025018289Copyright © Седашкина О.А., Колсанов А.В., 20252025Седашкина О.А., Колсанов А.В.Sedashkina O.A., Kolsanov A.V.This work is licensed under a Creative Commons Attribution 4.0 License.https://www.vit-j.ru/jour/article/view/98Актуальность

Актуальность. Современные алгоритмы искусственного интеллекта позволяют получать новые знания о потенциальных факторах риска и моделировать инструменты, прогнозирующие хроническое течение заболеваний почек у детей. Управление течением хронической болезни почек (ХБП) основано на использовании инструментов, помогающих врачу своевременно прогнозировать переход от острого заболевания почек к хроническому и своевременно направить ребенка к нефрологу.

Цель исследования

Цель исследования: разработать графический инструмент, позволяющий прогнозировать хроническую болезнь почек у детей.

Материалы и методы

Материалы и методы. Исходными данными для разработки графического инструмента (номограммы) послужили собственные результаты, опубликованные ранее. Из полученных предикторов ХБП у детей (протеинурия, гематурия, полиморфный маркер С598Т гена IL4) построена прогностическая модель высокого качества (ROC-AUC>90%).

Результаты

Результаты. Построенная номограмма обладает высокой прогностической ценностью – с точностью 98,9% прогнозировать ХБП у детей.

Заключение

Заключение: Разработанную номограмму, можно использовать в качестве графического помощника врача для прогнозирования хронического течения заболевания у пациентов с острым заболеванием почек.

Background

Background. Modern artificial intelligence algorithms provide new insights into potential risk factors and modeling tools that predict the chronic course of kidney disease in children. Management of chronic kidney disease (CKD) is based on the use of tools that help the physician to timely predict the transition from acute kidney disease to chronic kidney disease and timely refer the child to a nephrologist.

Aim

Aim. Тo develop a graphical tool to predict chronic kidney disease in children.

Methods

Methods. The initial data for the development of the graphic tool (nomogram) were our own results published earlier. High quality prognostic model (ROC-AUC>90%) was constructed based on predictors of chronic kidney disease in children that we identified previously (proteinuria, haematuria, IL4 gene C598T polymorphic marker).

Results

Results. The constructed nomogram has a high prognostic value – with an accuracy of 98.9% to predict CKD in children.

Conclusion

Conclusion: The developed nomogram can be used as a graphical assistant for physicians to predict the chronic course of the disease in patients with acute kidney disease.

номограммаинструментразработатьалгоритмфакторnomogramtooldevelopalgorithmfactorReferencesГусев А.В. Перспективы нейронных сетей и глубокого машинного обучения в создании решений для здравоохранения // Врач и информационные технологии. – 2017. – №3. – С.92-104.Gusev AV. Perspektivy nejronnyh setej i glubokogo mashinnogo obucheniya v sozdanii reshenij dlya zdravoohraneniya. Vrach i informacionnye tekhnologii. 2017; 3: 92-104. (In Russ.)Карась С. И. Виртуальные пациенты как формат симуляционного обучения в непрерывном медицинском образовании (обзор литературы) // Бюллетень сибирской медицины. – 2020. – №19(1). – С.140-149.Karas' SI. Virtual'nye pacienty kak format simulyacionnogo obucheniya v nepreryvnom medicinskom obrazovanii. Byulleten' sibirskoj mediciny. 2020; 19(1): 140-149. (In Russ.) doi: 10.20538/1682-0363-2020-1-140-149.Карась С.И., Аржаник М.Б., Кара-Сал Э.Э. и др. Виртуальные пациенты как база проблемно ориентированной подготовки врачей-кардиологов // Бюллетень сибирской медицины. – 2020. – №19(4). – С.207-214.Karas' SI, Arzhanik MB, Kara-Sal EE, et al. Virtual patients as a basis for problem-oriented training of cardiologists. Byulleten' sibirskoj mediciny. 2020; 19(4): 207-214. (In Russ.)Levey AS, Coresh J, Balk E, Kausz AT, et al. National Kidney Foundation practice guidelines for chronic kidney disease: evaluation, classification, and stratification. Ann Intern Med. 2003; 139(2): 137-147. doi: 10.7326/0003-4819-139-2-200307150-00013.Levey AS, Coresh J, Balk E, Kausz AT, et al. National Kidney Foundation practice guidelines for chronic kidney disease: evaluation, classification, and stratification. Ann Intern Med. 2003; 139(2): 137-147. doi: 10.7326/0003-4819-139-2-200307150-00013.Колсанов А.В., Седашкина О.А., Постников М.А., Маковецкая Г.А. и др. Скрининг хронической болезни почек у детей с помощью алгоритмов машинного обучения // Менеджер здравоохранения. – 2024. – №5. – С.75-83.Kolsanov AV, Sedashkina OA, Postnikov MA, Makoveczkaya GA, et al. Skrining xronicheskoj bolezni pochek u detej s pomoshh`yu algoritmov mashinnogo obucheniya. Menedzher zdravooxraneniya. 2024; 5: 75-83. (In Russ.) doi: 10.21045/1811-0185-2024-5-75-84.Ng DK, Pierce CB. Kidney Disease Progression in Children and Young Adults With Pediatric CKD: Epidemiologic Perspectives and Clinical Applications. Semin Nephrol. 2021; 41(5): 405-15. doi: 10.1016/j.semnephrol.2021.09.002.Ng DK, Pierce CB. Kidney Disease Progression in Children and Young Adults With Pediatric CKD: Epidemiologic Perspectives and Clinical Applications. Semin Nephrol. 2021; 41(5): 405-15. doi: 10.1016/j.semnephrol.2021.09.002.Kaggle. Kidney Disease Prediction. Available at: https://www.kaggle.com/code/niteshyadav3103/chronic-kidney-disease-prediction-98-accuracy. Accessed May 12, 2024.Kaggle. Kidney Disease Prediction. Available at: https://www.kaggle.com/code/niteshyadav3103/chronic-kidney-disease-prediction-98-accuracy. Accessed May 12, 2024.KDIGO 2024 Clinical Practice Guideline for the Evaluation and Management of Chronic Kidney Disease. doi: 10.1016/j.kint.2023.10.018.KDIGO 2024 Clinical Practice Guideline for the Evaluation and Management of Chronic Kidney Disease. doi: 10.1016/j.kint.2023.10.018.Кетлинский С.А., Симбирцев А.С. Цитокины. СПб.: Фолиант; 2008.Ketlinskij SA, Simbircev AS. Citokiny. SPb.: Foliant; 2008. (In Russ.)Мироманов А.М., Миронова О.Б., Мироманова Н.А. Полиморфизм гена интерлейкина-4-589C>T и экспрессия интерлейкина-4 у пациентов с развитием хронического травматического остеомиелита // Медицинская иммунология. –2018. – №20(6). – С.889-894.Miromanov AM, Mironova OB, Miromanova NA. Interleukin-4-589C>T gene polymorphism and interleukin-4 expression in patients with the development of chronic traumatic osteomyelitis. Medical Immunology (Russia). 2018; 20(6): 889-894. (In Russ.) doi: 10.15789/1563-0625-2018-6-889-894.Дятлов С.П. Использование цифровых технологий как одно из направлений решения проблемы качества российского здравоохранения // Бизнес-образование в экономике знаний. – 2023. – №2(25).Dyatlov SP. The use of digital technologies as one of the directions of solving the problem of the quality of Russian health care. Biznes-obrazovanie v ekonomike znanij. 2023; 2(25). (In Russ.)Kanda E, Epureanu BI, Adachi T, Kashihara N. Machine-learning-based Web system for the prediction of chronic kidney disease progression and mortality. PLOS Digit Health. 2023; 2(1): e0000188. doi: 10.1371/journal.pdig.0000188.Kanda E, Epureanu BI, Adachi T, Kashihara N. Machine-learning-based Web system for the prediction of chronic kidney disease progression and mortality. PLOS Digit Health. 2023; 2(1): e0000188. doi: 10.1371/journal.pdig.0000188.Steyerberg EW, Vickers AJ, Cook NR, Gerds T, Gonen M, Obuchowski N., et al. Assessing the performance of prediction models: a framework for traditional and novel measures. Epidemiol Camb Mass. 2010; 21(1): 128-38. doi: 10.1097/EDE.0b013e3181c30fb2.Steyerberg EW, Vickers AJ, Cook NR, Gerds T, Gonen M, Obuchowski N., et al. Assessing the performance of prediction models: a framework for traditional and novel measures. Epidemiol Camb Mass. 2010; 21(1): 128-38. doi: 10.1097/EDE.0b013e3181c30fb2.Schlattmann P. Tutorial: statistical methods for the meta-analysis of diagnostic test accuracy studies. Clin Chem Lab Med. 2023; 61(5): 777-794. doi: 10.1515/cclm-2022-1256.Schlattmann P. Tutorial: statistical methods for the meta-analysis of diagnostic test accuracy studies. Clin Chem Lab Med. 2023; 61(5): 777-794. doi: 10.1515/cclm-2022-1256.Zhang Z, Rousson V, Lee WC, Ferdynus C, Chen M, Qian X, Guo Y; written on behalf of AME Big-Data Clinical Trial Collaborative Group. Decision curve analysis: a technical note. Ann Transl Med. 2018; 6(15): 308. doi: 10.21037/atm.2018.07.02.Zhang Z, Rousson V, Lee WC, Ferdynus C, Chen M, Qian X, Guo Y; written on behalf of AME Big-Data Clinical Trial Collaborative Group. Decision curve analysis: a technical note. Ann Transl Med. 2018; 6(15): 308. doi: 10.21037/atm.2018.07.02.Jiang J, Liu X, Cheng Z, Liu Q, Xing W. Interpretable machine learning models for early prediction of acute kidney injury after cardiac surgery. BMC Nephrol. 2023; 24(1): 326. doi: 10.1186/s12882-023-03324-w.Jiang J, Liu X, Cheng Z, Liu Q, Xing W. Interpretable machine learning models for early prediction of acute kidney injury after cardiac surgery. BMC Nephrol. 2023; 24(1): 326. doi: 10.1186/s12882-023-03324-w.Reed BY, Masoumi A, Elhassan E, McFann K, Cadnapaphornchai MA, Maahs DM, et al. Angiogenic growth factors correlate with disease severity in young patients with autosomal dominant polycystic kidney disease. Kidney Int. 2011; 79(1): 128-34. doi: 10.1038/ki.2010.355.Reed BY, Masoumi A, Elhassan E, McFann K, Cadnapaphornchai MA, Maahs DM, et al. Angiogenic growth factors correlate with disease severity in young patients with autosomal dominant polycystic kidney disease. Kidney Int. 2011; 79(1): 128-34. doi: 10.1038/ki.2010.355.Urbina E. Noninvasive assessment of target organ injury in children with the metabolic syndrome. J Cardiometab Syndr. 2006; 1(4): 277-81. doi: 10.1111/j.1559-4564.2006.05799.x.Urbina E. Noninvasive assessment of target organ injury in children with the metabolic syndrome. J Cardiometab Syndr. 2006; 1(4): 277-81. doi: 10.1111/j.1559-4564.2006.05799.x.Kashtan CE, Adam MP, Feldman J, Mirzaa GM, et al. Alport Syndrome. Seattle (WA): University of Washington, Seattle; 1993. Available at: http://www.ncbi.nlm.nih.gov/books/NBK1207/. Accessed May 12, 2024.Kashtan CE, Adam MP, Feldman J, Mirzaa GM, et al. Alport Syndrome. Seattle (WA): University of Washington, Seattle; 1993. Available at: http://www.ncbi.nlm.nih.gov/books/NBK1207/. Accessed May 12, 2024.Marques C, Carvelli J, Biard L, Faguer S, et al. Prognostic Factors in Anti-glomerular Basement Membrane Disease: A Multicenter Study of 119 Patients. Front Immunol. 2019; 10: 1665. doi: 10.3389/fimmu.2019.01665.Marques C, Carvelli J, Biard L, Faguer S, et al. Prognostic Factors in Anti-glomerular Basement Membrane Disease: A Multicenter Study of 119 Patients. Front Immunol. 2019; 10: 1665. doi: 10.3389/fimmu.2019.01665.

The authors declare that there are no conflicts of interest present.