Utafiti huu ulilenga kutabiri hatari ya wagonjwa wenye ugonjwa wa figo unaohusiana na kisukari kuanza hemodialysis au dialysis ya peritoneamu ndani ya miaka miwili, mitano na kumi kwa kutumia rekodi za afya za kielektroniki na ujifunzaji wa mashine unaoelezeka. Katika kohorti ya uundaji, wagonjwa 3.078 walitathminiwa; algoriti sita zililinganishwa, ambazo ni mti wa maamuzi, msitu nasibu, mashine ya vekta tegemezi, XGBoost, LightGBM na perceptroni ya tabaka nyingi. Utendaji bora zaidi kwa ujumla ulipatikana katika modeli ya XGBoost, na thamani za eneo chini ya mkunjo wa ROC ziliripotiwa kuwa 0,9274, 0,9154 na 0,9095 kwa miaka miwili, mitano na kumi mtawalia. Hata hivyo, utafiti huu ni preprint ambayo haijapitiwa na wahakiki na inategemea kohorti ya hospitali iliyochunguzwa kwa kurudi nyuma; kabla ya modeli kutumiwa kama zana ya kawaida ya maamuzi ya kliniki, inahitaji kuthibitishwa katika makundi ya wagonjwa ya matarajio na yenye utofauti zaidi.

Modeli ya mwisho ya kliniki ilitumia vigezo saba: kiwango kinachokadiriwa cha uchujaji wa glomeruli, uwiano wa albumini/kreatinini katika mkojo, uwepo wa ugonjwa wa moyo na mishipa, hemoglobini, jinsia, umri na muda wa kisukari. Kiwango kinachokadiriwa cha uchujaji wa glomeruli na uwiano wa albumini/kreatinini katika mkojo vilijitokeza kama viashiria viwili vyenye nguvu zaidi katika vipindi vyote vya muda. Uchambuzi wa SHAP uliiwezesha modeli si tu kutoa alama ya hatari, bali pia kuonyesha ni vigezo gani kwa mgonjwa fulani vinavyoongeza au kupunguza hatari iliyotabiriwa.

Katika kikundi kidogo cha ndani cha wagonjwa 1.855 waliokuwa na vipimo vya apolipoprotein B na apolipoprotein AI, kuongezwa kwa vigezo hivyo viwili kwenye modeli kuliongeza AUC ya miaka miwili kutoka 0,923 hadi 0,955, AUC ya miaka mitano kutoka 0,905 hadi 0,928 na AUC ya miaka kumi kutoka 0,904 hadi 0,923. Hata hivyo, manufaa haya ya ziada hayakujirudia katika kohorti mbili huru za uthibitishaji wa nje. Kwa hiyo, utafiti hauonyeshi kwamba kipimo cha apolipoprotein huboresha kwa uhakika utabiri wa hatari ya dialysis, bali unaonyesha ishara inayowezekana ya hatari inayohusiana na lipoproteini ambayo inapaswa kujaribiwa katika tafiti pana na za matarajio.

Kwa mtazamo wa Türkiye: Mbinu ya utafiti inaweza kuchunguzwa nchini Türkiye kwa tathmini iliyopangwa ya hatari kwa wagonjwa wenye ugonjwa wa figo wa kisukari katika nefrolojia, endokrinolojia na mifumo ya usimamizi wa taarifa za hospitali. Vigezo vingi, kama eGFR, uwiano wa albumini/kreatinini katika mkojo, hemoglobini, umri na ugonjwa wa moyo na mishipa, vinaweza kupimwa kwa kawaida nchini Türkiye. Hata hivyo, modeli iliundwa kwa kutumia data za wagonjwa waliolazwa kutoka hospitali za ngazi ya tatu nchini China. Kabla ya kutumiwa nchini Türkiye, inahitajika uthibitishaji wa nje katika idadi ya wagonjwa wa Kituruki, urekebishaji wa ndani, usanifishaji wa vitengo vya maabara, uchunguzi wa mifumo ya data iliyokosekana na tathmini ya hali za huduma za afya zinazoathiri maamuzi ya kuanza dialysis. Kutokana na utafiti huu haiwezekani kutoa moja kwa moja uwiano wa hatari, uamuzi wa matibabu au pendekezo la kipimo cha apolipoprotein kwa wagonjwa nchini Türkiye.

Swali kuu la utafiti ni lipi?

Utafiti unatafuta majibu ya maswali mawili yanayohusiana. Swali la kwanza ni jinsi modeli ya ujifunzaji wa mashine unaoelezeka, iliyoundwa kwa vigezo vya kliniki mahususi vya ugonjwa wa figo wa kisukari, inavyoweza kutabiri kwa mafanikio hatari ya wagonjwa kuanza dialysis ndani ya miaka miwili, mitano na kumi. Swali la pili ni kama vipimo vya apolipoprotein B na apolipoprotein AI vinaweza kutoa taarifa ya ziada ya utabiri zaidi ya viashiria vya kawaida kama utendaji wa figo na albuminuria.

Ugonjwa wa figo wa kisukari hauhusishi tu kupungua kwa uwezo wa figo kuchuja. Hyperglycemia, shinikizo la glomeruli, uharibifu wa mirija ya figo, fibrosisi, anemia, ugonjwa wa moyo na mishipa na matatizo ya kimetaboliki yanaweza kuwepo pamoja kwa mgonjwa mmoja. Kwa sababu hiyo, watafiti walipendekeza kuwa modeli zilizoundwa katika kohorti za jumla za ugonjwa sugu wa figo huenda zisichukue kikamilifu mifumo ya moyo-figo na kimetaboliki iliyo mahususi kwa kisukari.

Kundi la wagonjwa liliundwaje?

Data za uundaji zilichukuliwa kutoka rekodi za matibabu za kielektroniki za wagonjwa waliotibiwa katika Hangzhou Hospital of Traditional Chinese Medicine kati ya Januari 2015 na Desemba 2023. Hapo awali, wagonjwa waliolazwa 5.644 wenye utambuzi wa ugonjwa wa figo wa kisukari walitambuliwa. Waliokuwa chini ya umri wa miaka kumi na minane, waliokuwa na data za mwanzo zilizokosekana, waliokuwa wamepata dialysis kabla ya mwanzo wa ufuatiliaji, waliokuwa na tarehe ya ufuatiliaji iliyoonekana kuwa kabla ya tarehe ya mwanzo, na waliokuwa na muda wa kisukari usiojulikana mwanzoni waliondolewa. Kohorti ya mwisho ya uchambuzi ilikuwa na wagonjwa 3.078.

Ugonjwa wa figo wa kisukari ulitambuliwa kwa uwiano wa albumini/kreatinini katika mkojo wa angalau 30 mg/g uliodumu zaidi ya miezi mitatu na/au kiwango kinachokadiriwa cha uchujaji wa glomeruli chini ya 60 mL/min/1,73 m², au kwa misimbo ya utambuzi ya ICD-10 E10.2 na E11.2. Kwa wagonjwa waliolazwa zaidi ya mara moja, thamani za mwanzo za kulazwa kwa mara ya kwanza zilitumika.

Kulingana na mtiririko wa wagonjwa katika Kielelezo 1, baada ya watu waliopotea kwenye ufuatiliaji kuondolewa katika uchambuzi husika wa muda, wagonjwa 2.386 walibaki katika kohorti ya miaka miwili, 2.427 katika kohorti ya miaka mitano na 2.431 katika kohorti ya miaka kumi. Kikundi kidogo cha ndani chenye vipimo vya apolipoprotein kilikuwa na wagonjwa 1.855; katika uchambuzi husika wa ufuatiliaji, takriban wagonjwa 1.440–1.474 walitathminiwa.

Kigezo cha matokeo kilifafanuliwaje?

Matokeo ya msingi yalikuwa kuanza kwa hemodialysis au dialysis ya peritoneamu baada ya mgonjwa kuingia katika mchakato wa tiba mbadala ya figo. Matokeo haya hayaakisi tu kupotea kwa utendaji wa kibaolojia wa figo. Wakati wa kuanza dialysis unaweza pia kuathiriwa na dalili za mgonjwa, matatizo ya kimetaboliki, uamuzi wa daktari, upendeleo wa mgonjwa na upatikanaji wa huduma za afya. Watafiti walikubali kipengele hiki kama mojawapo ya mipaka muhimu ya ufafanuzi wa utafiti.

Ni vigezo gani vilitumika?

Katika seti ya data ya mwanzo kulikuwa na jumla ya vigezo 55: vigezo vitatu vya kidemografia, saba vya historia ya matibabu, viashiria vitatu vya hali muhimu na viashiria 42 vya maabara. Vigezo vilivyokuwa na kiwango cha data iliyokosekana zaidi ya asilimia 20 viliondolewa na vigezo 36 vilihifadhiwa. Thamani za nje katika vigezo endelevu zilidhibitiwa kwa kutumia mbinu za kifurushi cha healthyR.ai na thamani zilizokosekana zilijazwa kwa mbinu ya k-jirani wa karibu zaidi.

Kiwango kinachokadiriwa cha uchujaji wa glomeruli kilihesabiwa kwa kutumia mlinganyo wa kreatinini wa 2021 CKD-EPI. Kwa kuwa muundo wazi wa kihisabati wa mlinganyo haukutolewa katika utafiti uliopakiwa, hakuna fomula mpya iliyoundwa hapa. eGFR ni makadirio yaliyosanifishwa kwa eneo la uso wa mwili kuhusu kiasi cha damu ambacho figo zinaweza kuchuja kwa dakika moja. eGFR ya chini inaonyesha uwezo mdogo wa uchujaji.

Uwiano wa albumini/kreatinini katika mkojo huunganisha kiasi cha albumini kinachopita kupitia kichujio cha figo kwenda kwenye mkojo na kreatinini ili kupunguza athari za mabadiliko ya mkusanyiko wa mkojo. Katika ulinganisho wa mwanzo wa utafiti, uwiano ulitolewa kwa mg/mgCr, huku katika kigezo cha utambuzi ukitolewa kwa mg/g. UACR ya juu inaonyesha albuminuria nyingi zaidi na mzigo mkubwa wa uharibifu wa glomeruli.

Uchaguzi wa vigezo ulifanywaje?

Kwanza, regression ya logistic ya kigezo kimoja na regression ya Cox zilitumika kwa kila kigezo kilichokuwa mgombea. Vigezo vyenye thamani ya P chini ya 0,05 viliingizwa katika uchambuzi wa hatua kwa hatua wa vigezo vingi. Uchaguzi wa mwisho haukutegemea tu umuhimu wa kitakwimu, bali pia umuhimu wa kliniki na lengo la kuunda seti thabiti ya vigezo katika vipindi tofauti vya ufuatiliaji.

eGFR na UACR vilikuwa viashiria vya figo vilivyo thabiti zaidi katika uchambuzi wote wa miaka miwili, mitano na kumi. Ugonjwa wa moyo na mishipa, hemoglobini na jinsia viliingizwa katika modeli ya msingi. Umri na muda wa kisukari viliongezwa kwenye modeli iliyopanuliwa kwa sababu vilidhaniwa kuakisi jumla ya mfiduo wa kimetaboliki na mzigo wa matatizo. Hivyo modeli ya mwisho ilikuwa na vigezo saba vifuatavyo:

• Kiwango kinachokadiriwa cha uchujaji wa glomeruli (eGFR)
• Uwiano wa albumini/kreatinini katika mkojo (UACR)
• Uwepo wa ugonjwa wa moyo na mishipa
• Kiwango cha hemoglobini
• Jinsia
• Umri
• Muda wa kisukari

Fosfati ya seramu ilionyesha uhusiano wenye maana katika baadhi ya uchambuzi wa miaka mitano na kumi. Hata hivyo, watafiti hawakuiingiza fosfati katika modeli ya mwisho yenye vigezo saba ili kupata modeli thabiti inayotumia vigezo sawa katika vipindi tofauti vya muda. Ingawa sentensi moja katika sehemu ya majadiliano inaonekana kana kwamba fosfati iliongezwa kwenye modeli, mbinu, matokeo na Kielelezo 1 vinaonyesha wazi kuwa modeli ya mwisho haina fosfati.

Wagonjwa walioendelea hadi dialysis walitofautianaje mwanzoni?

Kati ya wagonjwa 3.078, wagonjwa 227, yaani asilimia 7,4, walianza dialysis wakati wa ufuatiliaji. Mzigo wa ugonjwa wa figo mwanzoni ulikuwa mkubwa zaidi kwa wale walioanza dialysis:

• Kreatinini ya seramu ya kati ilikuwa 338 µmol/L, ikilinganishwa na 93,0 µmol/L kwa wale ambao hawakuanza dialysis.
• Nitrojeni ya urea ya damu ilikuwa 15,7 mmol/L dhidi ya 7,01 mmol/L.
• Potasiamu ilikuwa 4,25 mmol/L dhidi ya 4,02 mmol/L.
• UACR ilikuwa 3,77 mg/mgCr dhidi ya 0,25 mg/mgCr.
• eGFR ilikuwa 16,6 mL/min/1,73 m² dhidi ya 71,2 mL/min/1,73 m².

Kwa tofauti zote hizi, thamani ya P ilikuwa chini ya 0,001. Kwa wagonjwa walioendelea hadi dialysis, shinikizo la damu lilionekana kwa asilimia 97,4, ugonjwa wa moyo na mishipa kwa asilimia 80,2 na hyperuricemia kwa asilimia 61,2. Kinyume chake, kiwango cha hyperlipidemia kilikuwa sawa kati ya makundi mawili: asilimia 49,8 dhidi ya asilimia 48,7; P = 0,804.

Umri wa kati wa kundi lililoanza dialysis ulikuwa 62,0, huku kundi ambalo halikuanza dialysis likiwa na miaka 64,0, na tofauti hiyo ilikuwa na maana ya kitakwimu. Hata hivyo, matokeo haya hayamaanishi kwamba umri mdogo husababisha dialysis kwa njia ya kibaolojia. Athari ya umri katika regression na ujifunzaji wa mashine ilitathminiwa pamoja na vigezo vingine na ndani ya mahusiano yasiyo ya mstari.

Algoriti sita za ujifunzaji wa mashine zililinganishwaje?

Kohorti ya ufuatiliaji wa miaka miwili iligawanywa kuwa asilimia 60 data za mafunzo na asilimia 40 data za majaribio. Modeli za mti wa maamuzi, msitu nasibu, mashine ya vekta tegemezi, XGBoost, LightGBM na perceptroni ya tabaka nyingi zilifunzwa. Uboreshaji wa hyperparameter ulifanywa kwa uthibitishaji mtambuka wa mikunjo kumi uliorudiwa mara 100 na utafutaji wa gridi. Hata hivyo, hyperparameter mahususi zilizochaguliwa hazipo katika maandishi makuu yaliyopakiwa na nyenzo za ziada hazijajumuishwa kwenye faili.

Modeli hazikutathminiwa kwa AUC pekee. Usahihi, unyeti, umaalum, thamani chanya na hasi za utabiri, mgawo wa uhusiano wa Matthews, faharasa ya Jaccard, usahihi uliosawazishwa, alama ya F1, mgawo wa kappa, urekebishaji na uchambuzi wa mkunjo wa maamuzi pia vilitumika. Eneo chini ya mkunjo wa ROC huonyesha uwezo wa modeli kupanga wagonjwa watakaoanza na wasioweza kuanza dialysis bila kutegemea vizingiti mbalimbali. Thamani ya AUC inapokaribia 0,5, modeli hukaribia utenganishaji wa nasibu, na inapokaribia 1, hukaribia utenganishaji kamili; hata hivyo, AUC ya juu pekee haimaanishi urekebishaji sahihi au manufaa ya kliniki.

Ni modeli ipi ilikuwa bora zaidi?

Katika ulinganisho wa ROC wa Kielelezo 3, AUC ya juu zaidi katika seti ya majaribio ya miaka miwili ilipatikana kwa modeli ya XGBoost ikiwa 0,9274. LightGBM ilionyesha uwezo wa utenganishaji karibu sawa kwa 0,9272. Thamani za AUC za modeli nyingine zilikuwa 0,9183 kwa msitu nasibu, 0,9053 kwa mashine ya vekta tegemezi, 0,8895 kwa perceptroni ya tabaka nyingi na 0,7362 kwa mti wa maamuzi.

Mbali na kuwa na AUC ya juu zaidi, XGBoost ilitoa thamani chanya ya utabiri ya 0,3107, alama ya F1 ya 0,4564 na mgawo wa kappa wa 0,3971. Msitu nasibu ulitoa usahihi na umaalum wa juu zaidi, huku LightGBM ikitoa faharasa ya Jaccard ya juu zaidi. Hata hivyo, urekebishaji na uchambuzi wa mkunjo wa maamuzi vilipozingatiwa pamoja, watafiti walichagua XGBoost kama modeli ya mwisho.

Grafu za urekebishaji zilionyesha kuwa kwa ujumla kulikuwa na uwiano unaokubalika kati ya uwezekano uliotabiriwa na modeli tatu bora na matokeo yaliyoonekana. Katika uchambuzi wa mkunjo wa maamuzi, XGBoost ilionyesha manufaa halisi ya juu zaidi katika anuwai pana ya vizingiti vya hatari ikilinganishwa na mikakati ya “watibu wote” au “usimtibu yeyote”. Hata hivyo, uchambuzi huu hauonyeshi kwamba modeli huboresha matokeo ya wagonjwa katika matumizi halisi ya kliniki; unatathmini tu manufaa yanayoweza kutokea ya maamuzi chini ya dhana fulani.

Utendaji wa miaka mitano na kumi ulikuwaje?

Modeli ya XGBoost iliendelea kuonyesha utenganishaji wenye nguvu katika vipindi virefu vya ufuatiliaji. AUC ya miaka mitano ilikuwa 0,9154 na asilimia 95 ya muda wa kujiamini ilikuwa 0,899–0,932. AUC ya miaka kumi ilikuwa 0,9095 na asilimia 95 ya muda wa kujiamini ilikuwa 0,892–0,927.

Katika matriksi ya mkanganyiko ya miaka mitano kwenye Kielelezo 3, kulikuwa na 1.934 hasi za kweli, 156 chanya za kweli, 306 chanya za uongo na 31 hasi za uongo. Katika matriksi ya miaka kumi kulikuwa na 1.932 hasi za kweli, 155 chanya za kweli, 306 chanya za uongo na 38 hasi za uongo. Matokeo haya yanaonyesha kwamba licha ya utenganishaji mkubwa wa jumla, modeli iliwaainisha baadhi ya wagonjwa kimakosa kuwa na hatari kubwa na ilikosa idadi ndogo ya visa halisi vya dialysis. Kwa hiyo, haifai kutumia modeli peke yake kufanya uamuzi wa matibabu au dialysis.

Uchambuzi wa SHAP ulielezaje maamuzi ya modeli?

SHAP huonyesha kwa kiasi gani kila kigezo kinahamisha utabiri fulani juu au chini kutoka kiwango cha msingi cha hatari. Thamani chanya za SHAP huongeza hatari ya dialysis iliyotabiriwa na modeli, huku thamani hasi zikipunguza hatari. Wastani wa thamani kamili ya SHAP hufupisha umuhimu wa jumla wa kigezo katika wagonjwa wote.

Katika Kielelezo 4, eGFR ndiyo kigezo muhimu zaidi katika vipindi vyote vya ufuatiliaji. Wastani wa thamani kamili ya SHAP ni takriban 0,037–0,038. UACR iko nafasi ya pili kwa takriban 0,030–0,031. Vigezo hivi viwili vinafuatwa na ugonjwa wa moyo na mishipa, hemoglobini, umri, jinsia na muda wa kisukari.

Usambazaji wa SHAP ulionyesha kwamba mahusiano hayakuwa ya mstari kabisa. Thamani za chini za eGFR zilichangia kwa nguvu kuelekea hatari, huku eGFR iliyohifadhiwa ikichangia kwa mwelekeo wa kinga. UACR ya juu, hasa katika mifano ya wagonjwa walio na hatari kubwa, ilikuwa miongoni mwa vigezo vikuu vilivyoongeza utabiri. Grafu za nguvu katika ngazi ya mgonjwa zilionyesha kuwa hatari hiyo hiyo ya jumla inaweza kutokea kutokana na mchanganyiko tofauti wa vigezo.

Maelezo haya hayamaanishi kwamba modeli imethibitisha utaratibu wa kibaolojia wa sababu na matokeo. SHAP hueleza ni vigezo gani modeli ilitumia ndani ya data iliyopo; haionyeshi kwamba kigezo hicho husababisha dialysis moja kwa moja.

Kwa nini apolipoproteini zilichunguzwa?

Apolipoprotein B ni kiashiria cha protini kinachohusiana na idadi ya chembe za lipoproteini zenye kuleta atherosclerosis. Apolipoprotein AI ni sehemu kuu ya protini ya lipoproteini yenye msongamano mkubwa na inahusishwa na usafirishaji wa kolesteroli wa kurudi nyuma. Watafiti walidhani kwamba vigezo hivi vinaweza kutoa taarifa ya ziada kuhusu sifa za chembe za lipoproteini, tofauti na vipimo vya kawaida vya kolesteroli jumla au trigliseridi.

Katika kikundi kidogo cha wagonjwa 1.855 waliokuwa na vipimo vya apolipoprotein, ApoB, ApoE na ApoAI zilitathminiwa. Matokeo ya regression yalionyesha mahusiano yenye ulinganifu wa kibaolojia kwa ApoB na ApoAI lakini ambayo hayakuwa na nguvu sawa ya kitakwimu katika nyakati zote. Kwa mfano, katika uchambuzi wa miaka miwili, uwiano wa odds wa regression ya logistic kwa ApoB ulikuwa 2,4458 na thamani ya P 0,0390; uwiano wa hazard wa regression ya Cox ulikuwa 2,2978 na thamani ya P 0,0433. ApoAI ilionyesha uhusiano wa kinga katika uchambuzi wa Cox wa miaka miwili; hata hivyo, baadhi ya uchambuzi wa logistic na wa muda mrefu haukuvuka kizingiti cha umuhimu cha 0,05.

Kuongeza apolipoproteini kwenye modeli kulibadilisha nini?

Katika kikundi kidogo cha ndani, kuongezwa kwa ApoB na ApoAI kuliongeza AUC katika vipindi vyote vitatu vya muda. Thamani ya P ya ulinganisho wa miaka kumi imetolewa kama 0,0018 katika muhtasari, matokeo na Kielelezo 5. Kauli katika sehemu ya majadiliano kwamba “thamani zote za P ni chini ya 0,0001” inakinzana na matokeo haya; thamani sahihi inapaswa kuchukuliwa kuwa P = 0,0018 kama ilivyo katika kielelezo na sehemu ya matokeo.

Katika uchambuzi wa SHAP wa modeli yenye apolipoproteini, UACR, eGFR, hemoglobini na ugonjwa wa moyo na mishipa zilibaki katika nafasi za juu. ApoB na ApoAI ziliweza kuonyesha mchango wa jumla wa SHAP ulio juu kuliko muda wa kisukari; hata hivyo, hazikuchukua nafasi ya viashiria vikuu vya figo. Katika baadhi ya mifano ya wagonjwa walio na hatari kubwa, ApoB ilionekana kuwa sehemu muhimu inayoongeza hatari, huku kwa wagonjwa wengine athari yake ikiwa ndogo zaidi.

Uthibitishaji wa nje ulionyesha nini?

Modeli ilijaribiwa katika kohorti mbili huru za hospitali za ngazi ya tatu. Kohorti A ya uthibitishaji wa nje ilikuwa na wagonjwa 158 na kohorti B ilikuwa na wagonjwa 172 wenye ugonjwa wa figo wa kisukari.

Thamani za AUC za modeli zote mbili katika kohorti za nje zilikuwa juu ya 0,91. Matokeo haya yanaunga mkono kwamba muundo wa msingi wenye vigezo saba unaweza pia kutoa utenganishaji wenye nguvu katika hospitali tofauti. Hata hivyo, AUC ya modeli yenye apolipoproteini haikuwa juu zaidi kwa thamani ya namba kuliko modeli yenye vigezo saba katika kohorti yoyote ya nje, na tofauti hazikuwa na maana ya kitakwimu.

Kwa hiyo, utafiti unatenganisha matokeo mawili tofauti: utenganishaji wa modeli ya XGBoost yenye vigezo saba katika kohorti za nje unaonekana kuwa mzuri; lakini faida ya ndani iliyotolewa na ApoB na ApoAI haikujirudia nje. Kwa sababu hiyo, hitimisho kuhusu thamani ya kliniki ya apolipoproteini linapaswa kuchukuliwa kuwa la uchunguzi.

Nguvu za utafiti ni zipi?

• Modeli iliundwa katika kohorti mahususi ya ugonjwa wa figo wa kisukari badala ya ugonjwa sugu wa figo kwa ujumla.
• Kohorti ya uundaji ya wagonjwa 3.078 na kohorti mbili huru za uthibitishaji wa nje zilitumika.
• Algoriti sita tofauti za ujifunzaji wa mashine zililinganishwa ndani ya muundo huo huo wa data.
• Mbali na utenganishaji, urekebishaji na uchambuzi wa mkunjo wa maamuzi pia vilichunguzwa.
• SHAP ilitumika kuwasilisha umuhimu wa jumla wa vigezo pamoja na maelezo katika ngazi ya mgonjwa.
• Vipindi tofauti vya utabiri vya miaka miwili, mitano na kumi vilitathminiwa.
• Mchango wa ziada wa apolipoproteini ulijaribiwa kwa modeli ndogo tofauti na kohorti za nje.

Mapungufu ya utafiti ni yapi?

• Utafiti ni wa kurudi nyuma na wa uchunguzi; vichanganyaji visivyopimwa haviwezi kuondolewa kabisa.
• Data za uundaji zilitoka kwa wagonjwa waliolazwa katika hospitali moja ya ngazi ya tatu. Utendaji huo huo hauwezi kuhakikishwa kwa wagonjwa wa nje au wa huduma ya msingi.
• Matokeo ya kuanza dialysis hayategemei biolojia pekee, bali pia uamuzi wa daktari, upendeleo wa mgonjwa na upatikanaji wa huduma za afya.
• Modeli ya apolipoproteini iliundwa katika kikundi kidogo kilichochaguliwa ambacho vipimo hivyo vilipatikana, hivyo upendeleo wa uteuzi unaweza kutokea.
• Modeli hutumia thamani za mwanzo pekee. Mabadiliko ya eGFR au UACR kwa muda, matumizi ya dawa na mwitikio wa matibabu hayakujumuishwa kwenye modeli.
• Kohorti za uthibitishaji wa nje ni ndogo kiasi; hasa vipindi vipana vya kujiamini vinaonyesha kutokuwa na uhakika katika makadirio ya utendaji.
• Vituo vyote ni hospitali za ngazi ya tatu nchini China. Utofauti wa kijiografia, kikabila na wa mfumo wa afya ni mdogo.
• Hyperparameter mahususi za modeli, pamoja na Vielelezo vya Ziada S1–S6 na Majedwali ya Ziada S1–S2, hazipo katika faili iliyopakiwa.
• Utafiti haujapitiwa na wahakiki, na makosa ya kuripoti au uchambuzi yanaweza kurekebishwa baadaye.

Utafiti unaunga mkono nini?

• eGFR na UACR ni vigezo vyenye nguvu zaidi na vilivyo thabiti zaidi vya kutabiri kuanza dialysis katika kohorti iliyochunguzwa.
• Ugonjwa wa moyo na mishipa, hemoglobini, umri, jinsia na muda wa kisukari vilitoa muktadha wa ziada wa utabiri juu ya viashiria vya figo.
• Modeli ya XGBoost yenye vigezo saba ilidumisha thamani kubwa za AUC katika kohorti mbili ndogo huru za hospitali.
• ApoB na ApoAI ziliongeza uwezo wa utenganishaji wa modeli kwa maana ya kitakwimu katika kikundi kidogo cha ndani.
• SHAP iliweza kuonyesha ni vigezo gani vilivyochangia utabiri wa modeli katika ngazi ya mgonjwa.

Utafiti hauonyeshi nini?

• Modeli haithibitishi kwamba mgonjwa fulani bila shaka ataanza au hataanza dialysis.
• Haionyeshi kwamba ApoB ya juu husababisha dialysis moja kwa moja.
• Haithibitishi kwamba kufanya kipimo cha apolipoprotein huboresha matokeo ya mgonjwa.
• Haionyeshi kwamba usaidizi wa maamuzi unaotegemea modeli huchelewesha dialysis, huongeza muda wa kuishi au hupunguza gharama za matibabu.
• Haionyeshi kwamba vizingiti vilivyopatikana kutoka kohorti za hospitali nchini China vinaweza kutumiwa moja kwa moja nchini Türkiye au nchi nyingine.
• Haithibitishi kwamba modeli itadumisha urekebishaji ule ule katika huduma za wagonjwa wa nje, huduma ya msingi au mifumo tofauti ya maabara.
• Haionyeshi kwamba kuongezwa kwa apolipoproteini ni bora kuliko modeli ya msingi katika kohorti za nje.

Mbinu na Matokeo ya Utafiti

Muundo wa kiufundi wa utafiti

Vigezo vya modeli ya mwisho na maana zake

Ulinganisho wa AUC ya miaka miwili wa algoriti

Ujumbe mkuu wa vielelezo

• Kielelezo 1: Kinaonyesha mtiririko wa kazi kutoka uteuzi wa wagonjwa na uchakataji wa awali wa data hadi modeli za apolipoproteini zenye vigezo saba na tisa na uthibitishaji wa nje.
• Kielelezo 2: Kinaonyesha kwamba eGFR na UACR zilikuwa thabiti katika regression za logistic na Cox katika vipindi vyote vya muda; na modeli iliyopanuliwa ilitoa AUC kubwa kuliko modeli iliyotumia eGFR pekee.
• Kielelezo 3: Kinawasilisha ulinganisho wa ROC, vipimo vya utendaji, urekebishaji na mikunjo ya maamuzi kwa algoriti sita; sababu ya jumla ya kuchagua XGBoost ni tathmini hii jumuishi.
• Kielelezo 4: Kinaonyesha kwamba eGFR na UACR zinatawala mpangilio wa umuhimu wa SHAP na kwamba modeli hiyo hiyo inaweza kueleza mchanganyiko tofauti wa hatari katika ngazi ya mgonjwa.
• Kielelezo 5: Kinaonyesha kwamba kuongezwa kwa ApoB na ApoAI kuliongeza AUC katika kikundi kidogo cha ndani, lakini mahusiano ya regression hayakuwa na nguvu sawa katika nyakati zote.
• Kielelezo 6: Kinaonyesha kwamba hata katika modeli yenye apolipoproteini, taarifa kuu ya hatari ilitoka UACR, eGFR, hemoglobini na ugonjwa wa moyo na mishipa; ApoB na ApoAI zilitoa mchango wa ziada lakini mdogo.
• Kielelezo 7: Kinaonyesha kwamba modeli zote mbili zilitoa AUC zaidi ya 0,91 katika kohorti za nje, lakini kuongezwa kwa apolipoproteini hakukuonyesha ubora katika uthibitishaji wa nje.

Maadili, ufadhili na upatikanaji wa data

Itifaki ya utafiti iliidhinishwa na Kamati ya Maadili ya Tiba ya Hangzhou Hospital of Traditional Chinese Medicine kwa nambari 2025KLL245. Maandishi yanaeleza kwamba washiriki wote walitoa ridhaa yenye taarifa. Data ziliondolewa vitambulisho na kusanifishwa na wafanyakazi waliopata mafunzo.

Utafiti uliungwa mkono na Zhejiang Provincial Key R&D Program “Lingyan” Project, Central Universities Fundamental Research Funds na ZJU-GENSCI Children’s Health Research & Development Center. Waandishi hawakuripoti mgongano wa maslahi. Imeelezwa kwamba data za utafiti zinaweza kuombwa kutoka kwa mwandishi anayewajibika.

Dokezo la Chanzo na Mbinu

Jina kamili la awali la utafiti: Apolipoprotein-Informed Explainable Machine Learning for Predicting Dialysis Initiation in Diabetic Kidney Disease

Waandishi: Jiazhen Yin, Zhuoliang Liu, Huizhen He, Sicheng Liu, Fangyu Yi, Caifeng Zhu, Yayu Li, Xiao Tu, Wanyue Xu, Chengpeng Wu, Qing Tian, Shi Ouyang, Jing Nie na Lidan Hu.

Waandishi wa kwanza wenye mchango sawa: Jiazhen Yin na Zhuoliang Liu.

Waandishi wanaowajibika: Jing Nie na Lidan Hu. Anwani za mawasiliano zilizotolewa katika maandishi ni niej​​ing@pkufh.com na hulidan@zju.edu.cn mtawalia.

Mahusiano ya taasisi:

1. Department of Nephrology, Key Laboratory of Kidney Disease Prevention and Control Technology, Hangzhou Hospital of Traditional Chinese Medicine, Hangzhou, Zhejiang, China.
2. Guangdong Clinical Research Academy of Chinese Medicine, The First Affiliated Hospital of Guangzhou University of Chinese Medicine, Guangzhou, Guangdong, China.
3. School of Basic Medical Sciences and Forensic Medicine, Hangzhou Medical College, Hangzhou, Zhejiang, China.
4. State Key Laboratory of Organ Failure Research, National Clinical Research Center of Kidney Disease, Division of Nephrology, Nanfang Hospital, Southern Medical University, Guangzhou, China.
5. Hangzhou Clinical College, Zhejiang Chinese Medical University, Hangzhou, Zhejiang, China.
6. Department of Nephrology, The Children’s Hospital, Zhejiang University School of Medicine, National Clinical Research Center for Child Health, Hangzhou, Zhejiang, China.
7. Biobank of Peking University First Hospital, Department of Clinical Medical Research, Peking University First Hospital; State Key Laboratory of Vascular Homeostasis and Remodeling, Peking University Health Science Center, Peking University, Beijing, China.

Aina ya chanzo: Kohorti ya uchunguzi ya kurudi nyuma, uundaji wa modeli ya ujifunzaji wa mashine na utafiti wa uthibitishaji wa nje; preprint.

Hali ya mapitio ya wahakiki: Utafiti huu haujapitiwa na wahakiki. Matokeo na maelezo ya kuripoti yanaweza kubadilika wakati wa mchakato wa mapitio.

DOI:10.2139/ssrn.7018505

Jukwaa la uchapishaji: SSRN.

Mwaka wa uchapishaji na tarehe ya usajili: 2026; tarehe ya usajili wa SSRN ni 30 Juni 2026.

Jarida: Haijathibitishwa kwamba utafiti umekubaliwa au kuchapishwa katika jarida lililopitiwa na wahakiki. Kutajwa kwa jina “Metabolism” katika maandishi pekee si ushahidi wa kukubaliwa au kuchapishwa katika jarida.

Mchapishaji wa awali: Kwa toleo hili hakuna mchapishaji wa jarida lililopitiwa na wahakiki. SSRN ni jukwaa la preprint linaloendeshwa na Elsevier Inc.; rekodi ya SSRN haipaswi kuchukuliwa kama uchapishaji wa mwisho uliopitiwa na wahakiki.

Kiungo rasmi cha chanzo:https://ssrn.com/abstract=7018505

Maelezo haya ya Kituruki yaliandaliwa kwa kuchunguza utafiti uliopakiwa wa kurasa 27, matokeo ya namba katika maandishi makuu na Vielelezo 1–7. Hakuna matokeo mapya ya kliniki, pendekezo la matibabu au hitimisho la kisayansi la nje ambalo halikuwamo katika utafiti lililoongezwa. Vyanzo vya nje vilitumika tu kwa uthibitishaji wa kibibliografia wa DOI, tarehe ya usajili wa SSRN na utambulisho wa jukwaa.

Katika faili iliyopakiwa, Jedwali 1, Vielelezo vya Ziada S1–S6 na Majedwali ya Ziada S1–S2 yanayotajwa na maandishi makuu hayapo. Kwa hiyo, usambazaji ghafi wa vigezo vyote, vigawo vyote vya uchambuzi uliorekebishwa na hyperparameter mahususi za modeli havikuweza kuthibitishwa kwa kujitegemea.

Ingawa matokeo yanaripoti utendaji mkubwa wa utenganishaji, utafiti unategemea data za kurudi nyuma za wagonjwa waliolazwa. Kohorti za nje ni ndogo na zinatoka hospitali za ngazi ya tatu katika nchi moja. Ili modeli ibadilishwe kuwa mfumo wa usaidizi wa maamuzi ya kliniki, inahitajika uthibitishaji wa matarajio, wa vituo vingi na wa kijiografia tofauti, urekebishaji wa ndani, uchambuzi wa matokeo ya afya na tathmini katika mtiririko halisi wa kazi ya kliniki. Utafiti huu pekee hauwezi kuwa msingi wa kuanzisha dialysis kwa mgonjwa, kubadilisha matibabu au kuagiza kipimo cha apolipoprotein.