Tekoäly: uusi vaihtoehto CKD-MBD:n analysointiin hemodialyysissä

Hemodialyysipotilailla seerumin kalsium-, fosfaatti- tai lisäkilpirauhashormonin pitoisuuksien poikkeamat KDIGO:n suosittelemista arvoista liittyvät negatiiviseen lopputulokseen. Kalsiumin, fosfaatin ja lisäkilpirauhashormonin säätely on monimutkaista, eikä kutakin parametria säädetä itsenäisesti. Hemodialyysissä potilaan samanaikainen muutos näissä kolmessa parametrissa johtuu epänormaalista mineraaliaineenvaihdunnasta ja hoidosta, jota käytetään korjaamaan näitä poikkeavuuksia, jotka yleensä aiheuttavat muutoksia useampaan kuin yhteen parametriin. Tämän työn erityistavoitteena on tarkka ja kattava analyysi ja kuvaus kliinisesti merkityksellisten parametrien välisistä monimutkaisista suhteista kroonisen munuaissairauden aineenvaihdunnan luusairaudessa. Näiden tavoitteiden saavuttamiseksi olemme käyttäneet Random Forestin koneoppimislähestymistapaa, joka pystyy poimimaan hyödyllistä tietoa suuresta tietokannasta. Eri parametrien välisten monimutkaisten vuorovaikutusten analysointi vaatii edistyksellistä matemaattista lähestymistapaa, kuten Random Forest. Tämän tutkimuksen toisena tavoitteena on selvittää, liittyvätkö kalsium, fosfaatti ja lisäkilpirauhashormoni, fibroblastikasvutekijä 23 ja kalsitrioli pitkällä aikavälillä demografisiin piirteisiin, kuolleisuuteen, rinnakkaissairauksiin ja määrättyyn hoitoon. Vertaa perinteisellä tilastoanalyysillä saatuja ennusteita uuteen tekoälyyn perustuvaan mallianalyysiin. Alustavat tulokset viittaavat siihen, että joidenkin parametrien välillä on vuorovaikutuksia, jotka ovat riittävän vahvoja kyseenalaistamaan, voiko tietyn hoidon arviointi perustua yhden yksittäisen parametrin mittaamiseen. Tämän jälkeen analysoimme tapauspotilaiden prospektiivitutkimuksessa, voiko tämän uuden mallin käyttö ennustaa kardiovaskulaarista riskiä ja vähentää hoitokustannuksia.