يعتبر مرض الكلى المزمن (CKD) تحديًا صحيًا عالميًا كبيرًا، ومع ذلك فإن تطبيق منحدر eGFR كمعيار لتقدم CKD لا يزال غير متطور في إعدادات الرعاية الأولية. باستخدام بيانات من J-CKD-DB-Ex، أكبر قاعدة بيانات CKD في اليابان، قمنا بتطوير نموذج قائم على تعلم الآلة والتحقق من صحته لتنبؤ منحدر eGFR. شملت الدراسة 10,474 مريضًا تراوحت أعمارهم بين 18 عامًا فأكثر مع eGFR < 60 مل/دقيقة/1.73 م² أو بروتينوريا في الأساس. كان العمر الوسيط للمشاركين 69.0 عامًا (IQR: 62.0–77.0)، وكان 52% (5,493/10,474) من العينة من الذكور. كان متوسط eGFR الأساسي 52.7 مل/دقيقة/1.73 م² (IQR: 44.7–57.8). شملت المتغيرات الديموغرافية والسريرية وبيانات المختبر. مقارنة بين ثلاثة نماذج: الانحدار الخطي، LightGBM، وشبكات LSTM. من بين 10,474 مريضًا (العمر الوسيط 69.0 عامًا)، حقق نموذج LightGBM أداءً متفوقًا (RMSE = 2.95 مل/دقيقة/1.73 م²/سنة) مقارنة بنموذج LSTM (RMSE = 3.94) والانحدار الخطي التقليدي (RMSE = 15.87). تم تنفيذ النموذج كتطبيق ويب للاستخدام السريري. يحقق نموذج التنبؤ القائم على تعلم الآلة دقة متفوقة في تقدير مسار eGFR ويمكنه التنبؤ في الوقت الحقيقي باستخدام بيانات نقطة زمنية واحدة. يدعم الأداة المعتمدة على الويب التعرف المبكر على المرضى ذوي المخاطر العالية، مما يمكّن التدخلات في الوقت المناسب وإحالات المختصين في إعدادات الرعاية الأولية.
درس ناجاسو وآخرون (الثلاثاء) هذا السؤال.