To Identify the Predictors of Mortality in Renal Patients Undergoing Dialysis
Notice bibliographique
Résumé
Chronic Kidney Disease (CKD) patients undergoing dialysis experience high mortality risk due to complex clinical factors and multiple comorbidities. Precise identification of mortality predictors is vital for early risk stratification and improving patient management. This study aimed to identify key predictors of mortality among renal patients undergoing dialysis using a combination of statistical and machine learning techniques on a dataset comprising 224 observations and 33 clinical features. Associations between mortality and clinical variables were assessed using chi-square tests and independent samples t-tests. Feature selection methods—LASSO regression, Random Forest, and Gradient Boosting—were employed to identify important predictors. Machine learning models were developed to evaluate predictive performance. LASSO regression emphasized sparsity, selecting critical features including total dialysis sessions, heart, and lung disease. Random Forest highlighted age, diabetes, and cardiovascular comorbidities, capturing nonlinear relationships. Gradient Boosting identified additional hemodynamic variables such as pre- and post-dialysis blood pressures. The combined feature set aggregated predictors from all methods, enhancing robustness. The Random Forest model achieved the highest discriminative performance (AUC = 0.851), with LASSO demonstrating higher sensitivity for deceased patients. Cardiovascular and metabolic comorbidities, dialysis parameters, and age are pivotal predictors of mortality in CKD patients on dialysis. Integrating multiple analytical methods strengthens predictive accuracy, facilitating better-informed clinical decision-making and targeted interventions. Multivariable Cox regression revealed that age was a significant predictor of mortality, with each additional year increasing the hazard by approximately 3% (HR = 1.028; 95% CI: 1.006–1.050; p = 0.0122). Conversely, a higher number of dialysis sessions was associated with a reduced mortality risk, decreasing the hazard by 3.8% per session (HR = 0.962; 95% CI: 0.952–0.973; p < 0.001). Lung involvement more than doubled the risk of death (HR = 2.226; 95% CI: 1.088–4.557; p = 0.0285), while the presence of anaemia and diabetes independently increased mortality risk by nearly threefold (HR = 2.846 and 2.848, respectively; p < 0.01). These results highlight the importance of managing comorbid conditions to improve survival outcomes.
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 | 0,002 | 0,007 |
| Méta-épidémiologie (sens strict) | 0,000 | 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 | 0,001 |
| Science ouverte | 0,000 | 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 ».