Kunstig intelligens: et nyt alternativ til at analysere CKD-MBD i hæmodialyse

Hos hæmodialysepatienter er afvigelser i serumkoncentrationen af ​​calcium, fosfat eller parathyreoideahormon fra værdierne anbefalet af KDIGO forbundet med et negativt resultat. Reguleringen af ​​calcium, fosfat og parathyreoideahormon er kompleks, og hver parameter reguleres ikke uafhængigt. Ved hæmodialyse er patientens samtidige modifikation af disse tre parametre resultatet af unormal mineralmetabolisme og den behandling, der anvendes til at korrigere disse abnormiteter, som normalt frembringer ændringer i mere end én parameter. Det specifikke formål med dette arbejde er en nøjagtig og udtømmende analyse og beskrivelse af de komplekse sammenhænge mellem klinisk relevante parametre i kronisk nyresygdom metabolisme knoglesygdom. For at nå disse mål har vi brugt en maskinlæringstilgang Random Forest i stand til at udtrække nyttig viden fra en stor database. Analysen af ​​de komplekse interaktioner mellem de forskellige parametre kræver en avanceret matematisk tilgang såsom Random Forest. Det andet formål med denne undersøgelse er at bestemme, om calcium, fosfat og parathyreoideahormon, fibroblast vækstfaktor 23 og calcitriol er langsigtede forbundet med demografiske egenskaber, dødelighed, comorbiditet og den ordinerede behandling. Sammenlign forudsigelserne opnået med konventionel statistisk analyse versus den nye modelanalyse baseret på kunstig intelligens. Vores foreløbige resultater tyder på, at der er interaktioner mellem nogle parametre, der er stærke nok til at stille spørgsmålstegn ved, om evalueringen af ​​en given terapi kan baseres på måling af én enkelt parameter. Efterfølgende vil vi i en prospektiv undersøgelse af hændelsespatienter analysere, om brugen af ​​denne nye model kan forudsige den kardiovaskulære risiko og reducere behandlingsomkostningerne.