Un modelo de nomograma para predecir el riesgo de nefropatía diabética

Resumen OBJETIVO Utilizar aprendizaje automático para construir un modelo de predicción del riesgo de enfermedad renal diabética (ERD) en la población diabética estadounidense y evaluar su efecto. MÉTODOS En primer lugar, se obtuvo un conjunto de datos de cinco ciclos desde 2009 hasta 2018 de la base de datos de la Encuesta Nacional de Salud y Nutrición (NHANES), ponderado y luego estandarizado (con la población del estudio en Estados Unidos), y los datos fueron procesados y agrupados aleatoriamente utilizando el software R. A continuación, se realizó una selección de variables para los pacientes con ERD utilizando regresión Lasso, regresión iterativa en dos direcciones y métodos de bosques aleatorios. Se construyó un modelo de nomograma para la predicción del riesgo de ERD. Finalmente, se evaluó el rendimiento predictivo, el valor predictivo, la calibración y la efectividad clínica del modelo a través del recibo de curvas ROC, valores del puntaje de Brier, curvas de calibración (CC) y curvas de decisión (DCA). Y lo visualizaremos. RESULTADOS Se seleccionaron un total de 4371 participantes e incluidos en este estudio. Los pacientes se dividieron aleatoriamente en un conjunto de entrenamiento (n = 3066 personas) y un conjunto de validación (n = 1305 personas) en una proporción de 7:3; Utilizando algoritmos de aprendizaje automático y trazando diagramas de Venn, se identificaron cinco variables significativamente correlacionadas con el riesgo de ERD, a saber: Edad, Hba1c, ALB, Scr y TP; El área bajo la curva ROC (AUC) del índice de evaluación del conjunto de entrenamiento para este modelo es 0.735, la tasa de beneficio neto de DCA es 2% -90%, y el puntaje de Brier es 0.172; El área bajo la curva ROC del conjunto de validación (AUC) es 0.717, y la curva DCA muestra una buena tasa de beneficio neto. El puntaje de Brier es 0.177, y los resultados de la curva de calibración del conjunto de validación y del conjunto de entrenamiento son casi consistentes. CONCLUSIÓN El modelo de gráfico de línea de riesgo de ERD construido en este estudio tiene un buen rendimiento predictivo, lo que ayuda a evaluar el riesgo de ERD lo antes posible en la práctica clínica y formular medidas de intervención y tratamiento relevantes. El resultado visual puede ser utilizado por médicos o individuos para estimar la probabilidad de riesgo de ERD, como referencia para ayudar a tomar mejores decisiones de tratamiento.