Статьи с темой: «хроническая болезнь почек»
-
2025 № 3 Номограмма, разработанная с помощью методов машинного обучения и с оценкой клинической ценности, для прогнозирования хронической болезни почек у детей.
Актуальность. Профилактика хронической болезни почек (ХБП) основана не только на определении этиологических и патогенетических особенностей заболевания у пациента, но и на использовании информационных инструментов, помогающих врачу выявить заболевание у ребенка и своевременно направить к нефрологу.
Цель исследования: разработать графический инструмент, позволяющий прогнозировать риск развития хронической болезни почек у детей.
Материалы и методы исследования. Данные получены из одноцентрового ретроспективного когортного исследования (2011–2022 г. г.) детей с ХБП 1–4 стадии в возрасте от 1 до 17 лет. В группе детей с ХБП (n=128) девочек 88 (68,8%), мальчиков 40 (31,2%). В группе детей без ХБП (n=30) девочек 18 (60,0%), мальчиков 12 (40,0%). Медиана возраста составила 6 (5,0–8,0) лет. Заболевание почек у пациентов длилось 2 (1,0–3,0) года. Дети в выделенных группах статистически значимо не различались по полу и возрасту.
Результаты. Важными предвестниками хронической болезни почек у детей стали: потеря белка с мочой (0.24 [0.07; 0.42], против 0,0 [0,0; 0,0], n=30, p<0,001; гематурия (2,0 [0,0; 4,0], против 0,0 [0,0; 0,0], p<0,001); астеническое телосложение (76,6% против 10,0% p<0,001; ОШ 29,4 [8,33; 103,7]); отягощенная наследственность по нефрологической или обменной патологии в первом и втором поколениях (77,3% против 0%, p<0,001; ОШ 205,75 [12,21; 3467,52]; анемия во время беременности (70,3% против 10,0%, p<0,001; ОШ 21,32 [6,1; 74,54]). Построена модель отличного качества (ROC-AUC>90%), на ее основании разработана номограмма.
Заключение. Номограмма предназначена для прогнозирования или скрининга ХБП у детей и использования в первичном звене здравоохранения. -
2024 № 5 Скрининг хронической болезни почек у детей с помощью алгоритмов машинного обучения.
Поздняя диагностика хронической болезни почек (ХБП) у детей является частым явлением. Среди основных причин: недостаток осведомленности среди родителей и медицинского персонала, неспецифические симптомы, а также трудности в проведении диагностических процедур у детей. Это приводит к серьезным последствиям для здоровья детей, включая прогрессирование болезни и потребность в длительной диализной терапии или трансплантации почек.
Цель исследования: выявить признаки и симптомы у детей, которые нелинейно влияют на ХБП с помощью алгоритма дерева решений (DT).
Материалы и методы исследования: данные были получены из одноцентрового проспективного когортного исследования (2011–2022 г. г.) с участием 128 детей с ХБП 1–4 стадии и 30 детей контрольной группы в возрасте от 0 до 18 лет.
Проведен анализ анамнеза, наследственных факторов, раннего периода развития ребенка, результатов клинико-параклинического и генетического обследования. Модель построена с применением алгоритма машинного обучения (МО) методом дерева решений (ДР).
Результаты. Модель дерева решений выявила три переменных, совместно влияющих на ХБП: потеря белка, эритроциты в моче, полиморфный маркер Т598Т гена IL4. Модель прогнозирует ХБП на обучающей выборке с точностью 98,9% [97,3;100,0]%, чувствительностью 97,8% [95,1; 100,0]%, специфичностью 100,0% [100,0; 100,0]%, ROC-AUC = 100,0% [99,9;100,0]%.; описывает 95,7% [89,1; 100,0]% дисперсии. Полученная регрессионная модель отличного качества (>90%), т. к.
ROC-AUC составляет на тестовой выборке 0.98. В ходе исследования было определено значение точки отсечения (cut-off) ВПР, которое равно 0.5.
Выводы. Выявлены биомаркеры, которые помогут врачу первичного звена здравоохранения выявить ХБП у детей на ранних этапах развития.
Эти переменные с легкостью можно исследовать в амбулаторных условиях и в учреждениях первичного звена здравоохранения. Эта информация может способствовать повышению осведомленности о диагнозе. Медицинские работники могут формировать группы пациентов для более детального обследования, что уменьшит вероятность потери времени и улучшит раннее выявление заболеваний. -
2024 № 9 Разработка интеллектуальной системы поддержки принятия врачебных решений для прогнозирования хронической болезни почек у детей.
Диагноз хронической болезни почек часто ставится слишком поздно. В настоящее время точность диагностики составляет 44,1%, что подчеркивает острую необходимость в улучшении методов диагностики.
Цель исследования: разработать модель – систему поддержки принятия врачебных решений для прогнозирования хронической болезни почек у детей.
Материалы и методы исследования. Проведено одноцентровое ретроспективное когортное исследование (2011–2022 гг.) детей с хронической болезнью почек 1–4 стадии в возрасте от 1 до 17 лет. Для построения прогностической модели диагностики хронической болезни почек у детей использован ансамблевый метод обучения, с помощью которого объединили модели, полученные алгоритмами машинного обучения: многофакторная логистическая регрессия и дерево решений. В моделях использовано пять переменных: астеническое телосложение у ребенка, потеря белка и эритроцитов с мочой, СОЭ и натрий сыворотки крови.
Результаты. В исследовании участвовало 158 пациентов. В основную группу включены 128 детей с хронической болезнью почек 1–4 стадии в возрасте от 1 до 17 лет. Группу сравнения составили 30 детей без диагностированной патологии почек в возрасте от 1 до 17 лет. Дети двух групп статистически значимо не различались по полу и возрасту. Получена модель, позволяющая прогнозировать хроническую болезнь почек у детей на тестовой выборке с точностью 93,5% [87,1; 100,0]%, чувствительностью 92,0% [82,1; 100,0]%, специфичностью 100,0% [100,0; 100,0]%, ROC-AUC = 98,7% [95,2; 100,0]%. Полученная модель отличного качества (>90%). Модель описывает 90,3% [83,8; 96,1]% дисперсии.
Заключение. Предлагаемая модель демонстрирует превосходную прогностическую способность и может иметь важное клиническое значение для прогнозирования хронического процесса в учреждениях первичной медико-санитарной помощи, где симптомы, связанные с риском хронической болезни почек, могут быть упущены из виду. Прогнозирование и разработка ранней нефропротективной стратегии могут привести к лучшим результатам лечения и продлить жизнь.