Derivation and Validation of Machine Learning Models for the Prevention of Unplanned Dialysis in Advanced CKD Patients
Notice bibliographique
Résumé
Background: A short timeframe kidney failure risk prediction model may serve to prevent unplanned dialysis starts, a detrimental outcome associated with increased morbidity, mortality, and healthcare costs. To date, no such clinical tool exists. Methods: We developed and externally validated models for prediction of kidney failure over short timeframes of 6 and 12 months. The models were fit in 2,432 consecutive advanced CKD patients from The Ottawa Hospital. Models were externally validated in two independent advanced CKD cohorts from the Kingston General Hospital (N=724), and the Sunnybrook Health Sciences Center (N=323). All hospitals are in Ontario, Canada. Patients lost to follow-up, under conservative care management, or with <12 months of follow-up were excluded. Random forest classifiers were used to predict the 6- and 12-month probability of kidney failure for each patient at each follow-up visit. Input features included age, sex, and commonly available laboratory measurements and features characterizing their trajectory. The percentage of patients detected within clinically actionable timeframes of 3-15 months were computed for both models. Results: Internally, upon presentation, patients had a mean±SD age 66±15 years, and eGFR 18±7 mL/min/1.73m2, and median (IQR) ACR 164 (49, 333). Internal ROC-AUCs (95% CI) of 0.88 (0.87-0.88) and 0.86 (0.86-0.87) were achieved by the 6- and 12-month models, respectively. Models were well-calibrated. Internally, at 70% precision, patients requiring dialysis were correctly identified with at least 6 months advanced notice in 20% and 34% of cases using the 6- and 12-month models. Performance did not significantly differ at either external site. Conclusions: Machine learning-based short timeframe kidney failure risk prediction models accurately identify advanced CKD patients at high risk for imminent dialysis, including a substantial proportion destined for unplanned (or “crash”) dialysis initiation. Funding: Government Support - Non-U.S.
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 | 0,011 | 0,024 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,000 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 0,000 |
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 ».