Machine learning for prediction of chronic kidney disease progression: Validation of the Klinrisk model in the <scp>CANVAS</scp> Program and <scp>CREDENCE</scp> trial
Notice bibliographique
Résumé
AIM: To validate the Klinrisk machine learning model for prediction of chronic kidney disease (CKD) progression in patients with type 2 diabetes in the pooled CANVAS/CREDENCE trials. MATERIALS AND METHODS: We externally validated the Klinrisk model for prediction of CKD progression, defined as 40% or higher decline in estimated glomerular filtration rate (eGFR) or kidney failure. Model performance was assessed for prediction up to 3 years with the area under the receiver operating characteristic curve (AUC), Brier scores and calibration plots of observed and predicted risks. We compared performance of the model with standard of care using eGFR (G1-G4) and urine albumin-creatinine ratio (A1-A3) Kidney Disease Improving Global Outcomes (KDIGO) heatmap categories. RESULTS: The Klinrisk model achieved an AUC of 0.81 (95% confidence interval [CI] 0.78-0.83) at 1 year, and 0.88 (95% CI 0.86-0.89) at 3 years. The Brier scores were 0.020 (0.018-0.022) and 0.056 (0.052-0.059) at 1 and 3 years, respectively. Compared with the KDIGO heatmap, the Klinrisk model had improved performance at every interval (P < .01). CONCLUSIONS: The Klinrisk machine learning model, using routinely collected laboratory data, was highly accurate in its prediction of CKD progression in the CANVAS/CREDENCE trials. Integration of the model in electronic medical records or laboratory information systems can facilitate risk-based care.
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 | 0,050 | 0,040 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,002 | 0,002 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,002 |
| 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 ».