مدل سازی پیش بینی آسیب حاد کلیه پس از مداخله عروق کرونر از راه پوست در بیماران مبتلا به سندرم حاد کرونری: یک رویکرد یادگیری ماشینی

این مطالعه از سال 1394 تا 1399 در مرکز قلب تهران انجام شد. برای طراحی پنج مدل ML از چندین متغیر استفاده شد: بیز ساده (NB)، رگرسیون لجستیک (LR)، CatBoost (CB)، ادراک چند لایه (MLP) و جنگل تصادفی(RF) .

در مجموع 4592 بیمار وارد مطالعه شدند که 646 بیمار AKI را تجربه کرده بودند. داده های آموزش ماشین شامل 3672 و داده های آزمون شامل920 مورد بود. جمعیت بیماران دارای میانگین سنی 11.2±65.6 سال و درصد غالب بیماران مرد بودند. قابل ذکر است، کسر جهشی بطن چپ (LVEF) و گلوکز پلاسمای ناشتا (FPG) بیشترین اهمیت را در هنگام آموزش مدل RF تنها بر روی ویژگی‌های قبل از عمل داشتند. نمودارهای  SHAP  کسر جهشی بطن چپ و سن را به عنوان ویژگی های برتر نشان دادند. تنها با متغیرهای قبل از عمل، CB  بالاترین AUC  را برای پیش‌بینی AKI داشت در حالی که RF بالاترین حساسیت و MLP بالاترین ویژگی را داشتند. با این حال، هنگام در نظر گرفتن ویژگی‌های قبل از عمل و بعد از عمل،RF  از سایر مدل‌ها بهتر عمل کرد. در این تجزیه و تحلیل،CB  بالاترین حساسیت (82.95%) و NB دارای بالاترین ویژگی (82.93%) بود.

نتایج این مطالعه که در مجله ی European Journal of Medical Research در سال 2024 به چاپ رسید  نشان داد که مدل های ML می توانند AKI را با عملکرد قابل قبول پیش بینی کنند. این ابزار بالقوه بالینی برای ارزیابی خطر فردی AKI در بیماران ACS که تحتPCI  قرار گرفتند می تواند کارایی داشته باشد. علاوه بر این، ویژگی های شناسایی شده در مدل ها ممکن است به کاهش این عوامل خطر کمک کند.