#4486 VALIDATION OF A CKD PROGRESSION RISK PREDICTION MODEL IN THE FIDELITY TRIAL POPULATION
Notice bibliographique
Résumé
Abstract Background and Aims Chronic kidney disease (CKD) is often underrecognised until later stages when most of the kidney function is lost and the therapeutic window for disease-modifying therapy is narrow [1]. We previously developed a lab-based risk prediction model to accurately predict CKD progression in adults at all stages of CKD [2]. Here, we describe a validation of our model in the clinical trial population of FIDELITY, a prespecified pooled analysis of the phase III FIDELIO-DKD (NCT02540993) and FIGARO-DKD (NCT02545049) trials for the nonsteroidal mineralocorticoid receptor antagonist finerenone [3]. Method We performed a post hoc analysis of all participants from the FIDELITY database, irrespective of estimated glomerular filtration rate (eGFR) or albuminuria stage. Baseline values for the underlying laboratory tests required for the model, Klinrisk, were extracted from the complete blood count, comprehensive metabolic panel and urine albumin-to-creatinine ratio (UACR). The predicted outcome was a ≥40% decline in eGFR or kidney failure. We calculated discrimination ability of the model and calibration using area under the curve (AUC), Brier scores and calibration plots in the overall population, and stratified by treatment assignment. Sensitivity analyses examined the accuracy of the models in predicting ≥57% decline in eGFR, as well as the change in risk score over time. Kidney Disease: Improving Global Outcomes (KDIGO) heat map categories were used as the reference standard. Results We included 13,026 participants with a mean age of 64.8 ± 9.5 years, mean eGFR of 57.6 ± 21.7 ml/min/1.73 m2, and median UACR of 58.2 mg/mmol (interquartile range 22.4–129.6). At time horizons of 2 and 4 years, 984 and 1795 patients experienced a primary outcome event, respectively. The Klinrisk model predicted progression accurately, with an AUC of 0.81 (95% confidence interval [CI] 0.79–0.82) at 2 years and 0.86 (95% CI 0.84–0.87) at 4 years, compared with the KDIGO heatmap categories (AUC of 0.59 [95% CI 0.58–0.60] at 2 years and 0.66 [95% CI 0.65–0.68] at 4 years). Calibration was appropriate (Brier score of 0.067 [95% CI 0.064–0.070] at 2 years and 0.115 [95% CI 0.109–0.120] at 4 years). Similar discrimination accuracy was seen for the ≥57% decline outcome (C-statistic 0.88, 95% CI 0.87–0.90) at 3 years. Conclusion Based on routinely collected lab data, our machine learning model (Klinrisk) accurately predicts CKD progression events in a well characterized global clinical trial population. Prospective implementation of the model in clinical trial enrolment as well as clinical care pathways is needed.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,042 | 0,069 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,003 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,002 | 0,001 |
| Science ouverte | 0,002 | 0,002 |
| Intégrité de la recherche | 0,001 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,006 | 0,001 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».