Predict-PD: overleving van PD-patiënten voorspellen met machine learning

Delen via:
ERA 2024

Hatem Kaies Ibrahim Elsayed Ali (Warwick, Verenigd Koninkrijk) illustreert in zijn posterpresentatie hoe machine learning ingezet kan worden voor het voorspellen van de overleving van patiënten die behandeld worden met peritoneale dialyse. De resultaten bewijzen dat dergelijke methoden een belangrijke rol kunnen spelen bij klinische beslissingen en gepersonaliseerde behandeling. 

Met de stijgende prevalentie van chronische nierschade, vooral onder ouderen, is het steeds belangrijker om effectieve nierfunctievervangende therapie te kunnen bieden. Peritoneale dialyse (PD) biedt een aantal voordelen boven hemodialyse, zoals een betere cognitieve functie en een betere kwaliteit van leven. Overleving van patiënten op PD is een tastbare en steeds belangrijker uitkomstmaat. Aan de hand van de voorspelde overleving kunnen immers behandelfaciliteiten voor individuele patiënten worden ingepland. Bovendien heeft voorspelde overleving implicaties voor de verdeling van budgetten en voor patiëntencounseling.

Op basis van gegevens van 22.711 incidente dialysepatiënten uit de UK Renal Registry die kozen voor PD tussen 2007 en 2022, gingen de onderzoekers aan de slag met de algoritmes van artificial intelligence (AI). Hun doel was om een geavanceerde risicostratificatie-indicator te ontwikkelen die goed aansluit bij de selectieprocedure voor niertransplantaties in het Verenigd Koninkrijk. Ze experimenteerden met 3 verschillende machine learning modellen en evalueerden hoe die presteerden wat betreft kalibratie en discriminerend vermogen met behulp van de Integrated Brier Score (IBS) en de Harrell’s Concordance Index. 

Het XGBoost-model kwam als winnaar uit de bus. Het model bleek patiëntoverleving op PD uitstekend te voorspellen, met een concordance (overeenstemming) van 0,78. Verder leverde het model area under the curve (AUC)-waardes op van 0,81 na 1 jaar, 0,78 na 3 jaar en 0,77 na 5 jaar. De IBC, een maat voor accuraatheid van de voorspelling, was 0,09. Er was geen statistisch significant verschil tussen de werkelijke en de voorspelde kansen op overleving (p = 0,72).

Bron:

Elsayed Ali, Baharani HKI, Hamer R. Machine learning glomerulonephritis diagnosis on single glomeruli. ERA Congress 2024, abstract #3070

Niet-invasief biomarkerpanel doet het beter dan bestaande markers

nov 2024 | SLE

Lees meer over Niet-invasief biomarkerpanel doet het beter dan bestaande markers

Nieuwe ACR-richtlijn voor lupusnefritis benadrukt combinatiebehandeling

nov 2024 | Chronische nierschade, SLE

Lees meer over Nieuwe ACR-richtlijn voor lupusnefritis benadrukt combinatiebehandeling

Een multimodaal deep-learningmodel voor de voorspelling van acuut nierfalen

okt 2024 | Acuut nierfalen

Lees meer over Een multimodaal deep-learningmodel voor de voorspelling van acuut nierfalen

Immunomodulerend effect levamisol bij kinderen met idiopathisch nefrotisch syndroom

okt 2024 | Chronische nierschade

Lees meer over Immunomodulerend effect levamisol bij kinderen met idiopathisch nefrotisch syndroom

Veel goed nieuws uit de FLOW-trial

okt 2024 | Chronische nierschade, Virale infecties

Lees meer over Veel goed nieuws uit de FLOW-trial

Niet minder sterfte en heropnames door gerichte correctie van hyponatriëmie

okt 2024 | Chronische nierschade

Lees meer over Niet minder sterfte en heropnames door gerichte correctie van hyponatriëmie

HSK21542 effectief en veilig tegen pruritus bij hemodialysepatiënten

okt 2024 | Dialyse

Lees meer over HSK21542 effectief en veilig tegen pruritus bij hemodialysepatiënten

GLP1-agonisten tijdens kankerbehandeling niet geassocieerd met hoger AKI-risico

okt 2024 | Acuut nierfalen, Immuuntherapie

Lees meer over GLP1-agonisten tijdens kankerbehandeling niet geassocieerd met hoger AKI-risico

Training in omgaan met pijn voor hemodialysepatiënten

okt 2024 | Dialyse

Lees meer over Training in omgaan met pijn voor hemodialysepatiënten