Sztuczna inteligencja: nowa alternatywa do analizy CKD-MBD w hemodializie

U pacjentów hemodializowanych odchylenia stężenia wapnia, fosforanów lub parathormonu w surowicy od wartości zalecanych przez KDIGO wiążą się z wynikiem negatywnym. Regulacja wapnia, fosforanów i parathormonu jest złożona i każdy parametr nie jest regulowany niezależnie. W przypadku hemodializy jednoczesna modyfikacja tych trzech parametrów przez pacjenta jest wynikiem nieprawidłowego metabolizmu składników mineralnych oraz leczenia stosowanego w celu skorygowania tych nieprawidłowości, które zwykle powodują zmiany więcej niż jednego parametru. Celem szczegółowym niniejszej pracy jest dokładna i wyczerpująca analiza oraz opis złożonych zależności między klinicznie istotnymi parametrami w przewlekłych chorobach nerek, metabolizmie, chorobach kości. Aby osiągnąć te cele, zastosowaliśmy metodę uczenia maszynowego Random Forest, która jest w stanie wydobyć przydatną wiedzę z dużej bazy danych. Analiza złożonych interakcji między różnymi parametrami wymaga zaawansowanego podejścia matematycznego, takiego jak Random Forest. Drugim celem tego badania jest określenie, czy wapń, fosforan i hormon przytarczyc, czynnik wzrostu fibroblastów 23 i kalcytriol są długoterminowo związane z cechami demograficznymi, śmiertelnością, współzachorowalnością i zalecaną terapią. Porównaj przewidywania uzyskane za pomocą konwencjonalnej analizy statystycznej z nową analizą modelową opartą na sztucznej inteligencji. Nasze wstępne wyniki sugerują, że istnieją interakcje między niektórymi parametrami, które są na tyle silne, że można kwestionować, czy ocena danej terapii może być oparta na pomiarze jednego parametru. Następnie przeanalizujemy w prospektywnym badaniu pacjentów z incydentami, czy zastosowanie tego nowego modelu może przewidywać ryzyko sercowo-naczyniowe i zmniejszać koszty terapii.