Real-World Validation and Optimization of CKD Progression Prediction Models Using US Mayo Clinic Data
Notice bibliographique
Résumé
Background: Accurate chronic-kidney-disease (CKD) risk prediction tools stall in practice because data elements are often missing. Two deep-learning models, RRT Onset and Rapid Progression (RP), originally developed in Taiwan (China Medical University Hospital, CMUH) and granted FDA Breakthrough Device Designation were tested and optimized using a large, racially diverse U.S. cohort from the Mayo Clinic Platform (MCP). Methods: We analyzed 232,613 stage 3–5 CKD patients (25,214 under nephrology care) treated at Mayo Clinic sites (AZ, FL, MN) between 2018 and 2024. Outcomes were (1) RRT initiation and (2) eGFR decline (≥40%, slope ≤-5 mL/min/1.73m2/yr, or eGFR <15) within 2 and 5 years. Model variants assessed were: original, fine-tuned, and de novo (trained exclusively on MCP data). Discrimination (AUC), sensitivity, and specificity were compared with 4-variable Kidney Failure Risk Equation (KFRE). Results: The fine-tuned AI models delivered robust discrimination (RRT-AUC 0.85–0.86; RP-AUC 0.78–0.81). uACR was absent in 46% of records, resulting in an inability to calculate KFRE. Against KFRE (AUC 0.81), fine-tuned RRT predictions improved event reclassification by 12.9–41.4%, while maintaining sensitivity >78% and specificity >75%. Notably, de novo model did not offer significant performance advantages over the fine-tuned model (Table 1). Event rates increased with higher risk scores supporting effective risk stratification (Figure 1). Conclusion: FDA-designated AI models preserved accuracy despite nearly 50% data missingness and outperformed KFRE across U.S. centers. A rapid fine-tuning step, rather than de novo training, enables seamless local deployment, facilitating prospective trials and accelerating clinical adoption.
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 | 0,009 | 0,015 |
| 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 ».