La maladie rénale chronique (CKD) est une affection complexe marquée par une baisse progressive de la fonction rénale, qui peut finalement progresser vers une maladie rénale terminale (ESRD). À l'échelle mondiale, la prévalence du CKD varie de 8% à 16%, avec environ 5% à 10% des personnes diagnostiquées par atteignant ESRD, ce qui en fait un défi de santé publique majeur.
Dans une nouvelle étude, les chercheurs ont utilisé l'apprentissage automatique et les modèles d'apprentissage en profondeur, ainsi que l'intelligence artificielle (IA) explicable, pour évaluer les données cliniques et revendications intégrées dans le but d'améliorer la prédiction de la progression de CKD vers l'ESRD. Les modèles intégrés ont surpassé les modèles de source de données uniques, qui peuvent améliorer la gestion des CKD, soutenir les interventions ciblées et réduire les disparités des soins de santé.
L'étude, par des chercheurs de l'Université Carnegie Mellon, apparaît dans le Journal de l'American Medical Informatics Association.
« Notre étude présente un cadre robuste pour prédire les résultats de l'ESRD, améliorant la prise de décision clinique grâce à des données multipliées intégrées et à l'analyse avancée », explique Rema Padman, professeur de sciences de la gestion et d'informatique de santé au Carnegie Mellon's Heinz College, qui a dirigé l'étude. « Les recherches futures élargiront l'intégration des données et prolongeront ce cadre à d'autres maladies chroniques. »
La progression de la CKD est classée en cinq étapes, culminant dans l'ESRD, lorsque la fonction rénale tombe à 10% à 15% de la capacité normale, nécessitant une dialyse ou une transplantation pour la survie du patient. L'impact économique de l'IRC est significatif, avec une proportion relativement faible des patients atteints d'assurance-maladie américaine contribuant à une part disproportionnée des dépenses de l'assurance-maladie, en particulier lorsqu'ils progressent vers l'ESRD. De plus, plus d'un tiers des patients ESRD sont réadmis dans les 30 jours suivant la sortie, soulignant le besoin critique de détection précoce et de gestion de la maladie pour prévenir sa progression vers l'ESRD, améliorer les résultats de santé des patients et réduire les coûts des soins de santé.
Dans cette étude, les chercheurs ont utilisé des données de plus de 10 000 patients CKD, combinant des informations cliniques et réclament de 2009 à 2018. Ils ont évalué plusieurs modèles statistiques, d'apprentissage automatique et d'apprentissage en profondeur à l'aide de cinq fenêtres d'observation distinctes. Leur travail a été soutenu par une IA explicable pour améliorer l'interprétabilité et réduire les biais.
Les modèles de données intégrés de l'étude ont surpassé les modèles de source de données uniques. Une fenêtre d'observation de 24 mois a équilibré de manière optimale la précision précoce et la précision de prédiction. L'équation du taux de filtration glomérulaire estimé 2021 a amélioré la précision de la prédiction et une réduction du biais racial, en particulier pour les patients afro-américains.
Notre travail comble un écart critique en développant un cadre qui utilise des données cliniques et revendications intégrées plutôt que des sources de données isolées. En minimisant la fenêtre d'observation nécessaire pour des prédictions précises, notre approche équilibre la pertinence clinique avec la praticité centrée sur le patient; Cette intégration améliore à la fois la précision prédictive et l'utilité clinique, permettant à une prise de décision plus éclairée d'améliorer les résultats des patients. «
Yubo Li, coauteur, doctorant au Carnegie Mellon's Heinz College
Parmi les limites de l'étude, les auteurs affirment que leur dépendance aux données d'une institution peut limiter la généralisation de leur modèle à d'autres milieux de soins. De plus, leur utilisation des données des dossiers de santé électroniques peut introduire un biais d'observation, des dossiers incomplets et une sous-représentation de certains groupes de patients, ce qui peut saper la précision et l'équité.
