Validation of Artificial Intelligence (AI)-Based Kidney Disease Progression Prediction (KDPP) Models in the US Population
Notice bibliographique
Résumé
Background: AI and big data are revolutionizing personalized CKD management. KDPP models use deep learning to risk stratify patients for optimal treatment planning. Initially validated in Taiwan and granted FDAbreakthrough device designation, this study tests KDPP's generalizability in U.S. using NIDDK's CRIC database. Methods: KDPP includes 2 deep-learning models built using 9,529 CKD stage 3-5 patients from CMUH Taiwan: KDPP-RP for predicting rapid disease progression and KDPP-IR for forecasting renal replacement therapy (RRT). KDPP-IR was validated with CRIC (4,465 participants); KDPP-RP validation was limited by data scarcity. The models categorize patients into risk tiers (low, moderate, high) and are evaluated using AUC, sensitivity, specificity, and PPV/NPV. Results: The CMUH cohort is older, has lower median eGFR (27 vs. 41.9 mL/min/1.73m2) than CRIC. KDPP-IR accurately predicted RRT with AUCs of 0.96 for CMUH and 0.89-0.92 for CRIC, performing well across races (Table 1). KDPP-IR's sensitivity and precision slightly decreased, but specificity improved. It reliably identified low-risk CRIC patients with NPVs of 0.99-1.00, though PPVs for high-risk varied (0.31-0.79). Kaplan-Meier curves showed distinct risk stratification, and calibration plots showed better agreement between observed and predicted risks than KFRE. (Figure 1). Conclusion: The validation demonstrated robust AUCs and generalizability for risk prediction. Future enhancements will optimize both models for diverse ethnic groups to broaden their applicability. Funding: Commercial Support - AWAK Technologies
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 distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 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 tête enseignante, 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 ».