External Validation of a Machine Learning Model for Progression of CKD in the CREDENCE and CANVAS Trials
Notice bibliographique
Résumé
Background: Sodium glucose cotransporter 2 inhibitors (SGLT2i) are indicated for slowing progression of chronic kidney disease (CKD). A previously validated machine learning model (Klinrisk model) accurately predicts 40% decline in eGFR or kidney failure using routinely collected laboratory data. We sought to validate this model in the pooled CANVAS/CREDENCE trials. Methods: The CANVAS/CREDENCE trials evaluated the effects of the SGLT2i canagliflozin on cardiorenal outcomes in patients with type 2 diabetes at high cardiovascular risk or with CKD. We validated the Klinrisk model for prediction of CKD progression, defined as greater than 40% decline in eGFR or kidney failure. The model applies results from complete blood cell counts, chemistry panels, comprehensive metabolic panels, and urinalysis. Model performance was assessed up to 3 years (median follow up 2.4 years) with the area under the receiver characteristic operating curve (AUC), Brier scores, and calibration plots of observed and predicted risks. We compared performance of the model to standard of care using eGFR (G1-G4) and urine ACR (A1-A3) KDIGO heatmap categories. Results: Among 14,464 patients in CANVAS/CREDENCE, we found the Klinrisk model provided excellent discrimination for CKD progression (696 events at 2 years), with an AUC of 0.81 (95% confidence interval 0.78 - 0.83) for prediction of the outcome at 1 year, increasing to 0.88 (0.86 - 0.89) at 3 years. Brier scores were 0.020 (0.018 - 0.022) at 1 year, increasing to 0.056 (0.052 - 0.059) at 3 years. Calibration was satisfactory, with minor overprediction in patients randomized to canagliflozin. Compared to the KDIGO heatmap, the Klinrisk model had improved performance at every interval (Table 1). Table 1. - Results of model performance Klinrisk model Klinrisk model eGFR and ACR categories (KDIGO heatmap) eGFR and ACR categories (KDIGO heatmap) Time frame, years AUC (95% CI) Brier score (95% CI) AUC (95% CI) Brier score (95% CI) 1 0.81 (0.78 - 0.83) 0.020 (0.018 - 0.022) 0.74 (0.71 - 0.76) 0.021 (0.018 - 0.023) 2 0.85 (0.84 - 0.87) 0.042 (0.039 - 0.046) 0.79 (0.78 - 0.81) 0.046 (0.042 - 0.050) 3 0.88 (0.86 - 0.89) 0.056 (0.052 - 0.059) 0.83 (0.81 - 0.84) 0.063 (0.059 - 0.067) Brier scores range from 0 to 1, with lower values representing higher accuracy. Conclusions: The Klinrisk machine learning model using routinely collected laboratory features was highly accurate in its prediction of CKD progression in the CANVAS and CREDENCE trials.
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 | 0,157 | 0,135 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,001 |
| Méta-épidémiologie (sens large) | 0,002 | 0,003 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,002 |
| Communication savante | 0,002 | 0,002 |
| Science ouverte | 0,002 | 0,002 |
| Intégrité de la recherche | 0,002 | 0,003 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 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 ».