Ключевые результаты
Исследователи разработали и валидировали модель машинного обучения на основе метода опорных векторов (SVM) для выявления синдрома беспокойных ног (СБН) у пациентов с терминальной стадией хронической почечной недостаточности (ХПН). Модель продемонстрировала хорошие показатели с площадью под ROC-кривой (AUC) 0,791 (95% ДИ: 0,702–0,879) в тестовой выборке.
В результате анализа выявлены пять ключевых переменных, связанных с развитием СБН у пациентов с ХПН:
- β2-микроглобулин
- уровень гемоглобина
- сахарный диабет
- ишемическая болезнь сердца
- употребление алкоголя
По данным SHAP-анализа (SHapley Additive exPlanations), наибольшее влияние на прогноз модели оказывали β2-микроглобулин (средний |SHAP| = 0,131) и анемия.
Методология
В исследовании приняли участие 396 пациентов с терминальной стадией ХПН, находящихся на диализе, из них:
- 173 пациента на гемодиализе
- 223 пациента на перитонеальном диализе
Участники были случайным образом разделены на:
- Обучающую выборку (70%, n = 287)
- Тестовую выборку (30%, n = 109)
Отбор признаков проводился с использованием LASSO-регрессии с пятикратной перекрестной проверкой и последующим уточнением с помощью информационного критерия Акаике (AIC).
Разработано и сравнено девять алгоритмов машинного обучения:
- Логистическая регрессия (LR)
- Случайный лес (RF)
- Метод опорных векторов (SVM)
- Градиентный бустинг (GBM)
- Метод k-ближайших соседей (KNN)
- Деревья решений (DT)
- Искусственная нейронная сеть (ANN)
- Мультивариативные адаптивные сплайны (MARS)
- Квадратичный дискриминантный анализ (QDA)
Производительность моделей оценивалась по следующим показателям:
- Дискриминация (AUC-ROC)
- Калибровка (оценка Бриера, калибровочные кривые)
- Клиническая полезность (анализ кривых решений, DCA)
Для повышения интерпретируемости модели применялся SHAP-анализ.
Клиническое значение
Синдром беспокойных ног (СБН) является распространенным и изнурительным осложнением у пациентов с ХПН, находящихся на диализе, существенно ухудшая качество сна и качество жизни. Разработанная модель предлагает инструмент для скрининга СБН с использованием легкодоступных клинических переменных.
Наиболее влиятельными факторами оказались β2-микроглобулин и анемия, что согласуется с предыдущими исследованиями о роли уремических токсинов и нарушений эритропоэза в патогенезе СБН у пациентов с ХПН.
SHAP-анализ выявил важные взаимодействия между предикторами:
- Взаимосвязь между β2-микроглобулином и гемоглобином
- Модифицирующее влияние диабета на защитный эффект повышенного гемоглобина
Эта модель может способствовать ранней идентификации пациентов с высоким риском развития СБН и помочь в принятии клинических решений, улучшая качество жизни пациентов на диализе.
Выводы
Разработанная модель машинного обучения на основе SVM демонстрирует многообещающие результаты для выявления СБН у пациентов с терминальной стадией ХПН. Модель имеет следующие характеристики в тестовой выборке:
- Точность: 0,761
- Чувствительность: 0,711
- Специфичность: 0,797
- F1-мера: 0,711
- Оценка Бриера: 0,183
Идентифицированные ключевые предикторы (β2-микроглобулин, гемоглобин, диабет, ИБС и употребление алкоголя) являются доступными клиническими переменными, что упрощает потенциальное внедрение модели в реальную практику.
Однако перед клиническим внедрением необходима проспективная внешняя валидация модели в мультицентровых когортах. Дальнейшие исследования должны быть направлены на проверку эффективности модели в различных популяциях пациентов с ХПН и оценку ее влияния на клинические исходы.