Номограмма для прогнозирования хронической болезни почек у детей, разработанная с помощью методов искусственного интеллекта
https://doi.org/10.25881/18110193_2025_1_82
Аннотация
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: разработать графический инструмент, позволяющий прогнозировать хроническую болезнь почек у детей.
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. Построенная номограмма обладает высокой прогностической ценностью – с точностью 98,9% прогнозировать ХБП у детей.
Заключение: Разработанную номограмму, можно использовать в качестве графического помощника врача для прогнозирования хронического течения заболевания у пациентов с острым заболеванием почек.
Об авторах
О. А. Седашкина
ФГБОУ ВО «Самарский государственный медицинский университет» МЗ РФ
Россия
Россия
к.м.н., доцент
Самара
А. В. Колсанов
ФГБОУ ВО «Самарский государственный медицинский университет» МЗ РФ
Россия
Россия
д.м.н., профессор, профессор РАН
Самара
Список литературы
1. Гусев А.В. Перспективы нейронных сетей и глубокого машинного обучения в создании решений для здравоохранения // Врач и информационные технологии. – 2017. – №3. – С.92-104.
2. Карась С. И. Виртуальные пациенты как формат симуляционного обучения в непрерывном медицинском образовании (обзор литературы) // Бюллетень сибирской медицины. – 2020. – №19(1). – С.140-149.
3. 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.
4. 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.
5. 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.
6. 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.
7. Kaggle. Kidney Disease Prediction. Available at: https://www.kaggle.com/code/niteshyadav3103/chronic-kidney-disease-prediction-98-accuracy. Accessed May 12, 2024.
8. KDIGO 2024 Clinical Practice Guideline for the Evaluation and Management of Chronic Kidney Disease. doi: 10.1016/j.kint.2023.10.018.
9. Кетлинский С.А., Симбирцев А.С. Цитокины. СПб.: Фолиант; 2008.
10. 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.
11. Дятлов С.П. Использование цифровых технологий как одно из направлений решения проблемы качества российского здравоохранения // Бизнес-образование в экономике знаний. – 2023. – №2(25).
12. 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.
13. 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.
14. 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.
15. 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.
16. 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.
17. 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.
18. 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.
19. 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.
20. 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.
Рецензия
Для цитирования:
Седашкина О.А., Колсанов А.В. Номограмма для прогнозирования хронической болезни почек у детей, разработанная с помощью методов искусственного интеллекта. Врач и информационные технологии. 2025;(1):82-89. https://doi.org/10.25881/18110193_2025_1_82
For citation:
Sedashkina O.A., Kolsanov A.V. Nomogram for predicting chronic kidney disease in children developed using artificial intelligence methods. Medical Doctor and Information Technologies. 2025;(1):82-89. (In Russ.) https://doi.org/10.25881/18110193_2025_1_82
Просмотров:
505
Послать статью по эл. почте 