Exploring the potential relationship between kidney disease index and cognitive dysfunction: a machine learning approach with NHANES data
Notice bibliographique
Résumé
OBJECTIVE: This study investigates the relationship between the Kidney Disease Index (KDI) and cognitive function, evaluating its potential as a predictive marker for cognitive impairment in older adults. We also compare the performance of KDI with traditional kidney function markers, including estimated glomerular filtration rate (eGFR) and urine albumin-to-creatinine ratio (UACR), in predicting cognitive decline. METHODS: Data from the National Health and Nutrition Examination Survey (NHANES) involving participants aged 60 years or older were analyzed. Multivariable regression models were employed to assess the relationship between KDI, eGFR, UACR, and cognitive impairment. Restricted cubic splines (RCS) were used to explore the dose-response relationship between KDI levels and cognitive impairment, and interaction analyses were performed to assess how KDI impacts cognitive function across various demographic groups. Machine learning techniques, including LASSO, XGBoost, and random forests, were applied for feature selection and model validation to predict cognitive impairment. The performance of the predictive models was evaluated using receiver operating characteristic (ROC) curves and decision curve analysis (DCA). Calibration was assessed through calibration curves to ensure accurate prediction probabilities, while SHAP values were used to interpret the relative importance of KDI and other variables in predicting cognitive impairment. RESULTS: A higher KDI level may be significantly associated with lower cognitive scores and an increased risk of cognitive impairment. For each 0.1 unit increase in KDI, cognitive scores decrease by 0.17 points, and the probability of cognitive impairment increases by 15%. Machine learning confirmed that the AUC of KDI (> 0.7) is higher than that of eGFR and UACR, indicating that KDI may outperform eGFR and UACR in predicting cognitive impairment. The SHAP model further validated the predictive value of KDI. CONCLUSION: KDI may be a reliable and effective indicator for predicting cognitive function and the risk of cognitive impairment in the elderly. Research suggests that higher KDI levels may serve as a risk factor for cognitive decline, underscoring the importance of managing KDI for cognitive health, particularly in populations with chronic kidney disease (CKD). Future studies should focus on longitudinal research and clinical interventions to further validate the clinical utility of KDI and develop treatment strategies based on KDI.
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 | 0,014 | 0,025 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,002 |
| Bibliométrie | 0,002 | 0,002 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| 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 ».