機械学習で猫の慢性腎不全のリスクを予測する

reading 獣医

この記事では以下の論文について解説します。

Predicting early risk of chronic kidney disease in cats using routine clinical laboratory tests and machine learning

研究の目的

猫の慢性腎不全のリスクを予測する機械学習モデルを作成する。

方法

・日々の診療から得られた電子カルテのデータを利用する。

・電子カルテデータには、106,251の猫が含まれている。

・1995年の1月1日から2017年の12月31日までの電子カルテデータを利用した。

・最初の67%のデータは予測モデルを作成するために使用した。

・残った33%のデータはモデルのパフォーマンス向上に使用した。

予測モデル

・最終的なモデルは4つの特徴を用いたRNNモデルになった。

・4つの特徴は、「BUN」、「Cre」、「USG」そして「年齢」。

・RNNモデルは高いクロスエントロピースコアを示した。

・隠れ層は2層で、それぞれ3列および7列である。

・エポック数は16で学習した。

慢性腎不全のステージによる分類

この研究では、慢性腎不全のステージ毎に、データをT0〜T2の3つのグループに分類した。

慢性腎不全グループ

・電子カルテで腎不全と診断されている。

・最初の診断から30日以上経過しているデータは除外されている。

ckd_group

・T0は初めて慢性腎不全が診断された日の年齢を表す。

おそらく腎不全であるグループ

・このグループは診察では腎不全と診断されていない。

・このグループは腎不全を疑う以下の項目のうち、少なくとも2つの項目を満たしている。

  • 血中クレアチニンが基準値以上。
  • USGが基準値以下。
  • 「慢性腎不全」、「高窒素血症」、「腎不全治療用フードの名称」がカルテに記載されている。
pre_ckd_group

・T0は最終来院日での年齢を表す。

腎不全ではないグループ

・このグループは前出の2グループに含まれない症例。

・そして少なくとも2年分のデータが存在している。

no_ckd_group

・T0は最終来院日から2年前の年齢を表す。

結果

腎不全診断時点でのモデルの予測精度

・実際に腎不全が診断された時点でのモデルの予測精度を表す。

・感度は90.7%。

・特異度は98.9%。

first_predict

腎不全診断から1年前時点での診断精度

・実際に腎不全が診断された時から1年前時点でのモデルの予測精度を表す。

・感度は63.0%。

・特異度は99%。

predict_before_one

腎不全診断から2年前時点での診断精度

・実際に腎不全が診断された時から2年前時点でのモデルの予測精度を表す。

・感度は44.2%。

・特異度は99%。

predict_before_two

「年齢」、「Cre」、「BUN」、「USG」の分布

・慢性腎不全グループの猫は高齢である。

・そして、腎不全でないグループに比べて、クレアチニンが高値、USGが低値である。

・これらの結果は「IRISの診断基準」に合致する。

distribution

各グループ間の違い

・腎不全グループと「おそらく腎不全」グループでは診断前に幾つかの大きな変化が見られる。

difference_pckd
difference_ckd

単一の検査値は診断に不十分

・腎不全グループと「腎不全でないグループ」の間で、

・「BUN」、「Cre」、「USG」の数値は重なりあっている。

insufficient_nockd
insufficient_ckd

モデルの予測精度の分布

・慢性腎不全の診断予測値が0.5を超えた場合、将来の腎不全リスクが高い。

・0.5以下の場合は将来の慢性腎不全リスクが低い。

distribution_prediction

予測モデルの感度と来院回数

・診断前に少なくとも2回の来院があると、感度は90%まで上昇する。

predict_visit

合併症と偽陽性

・偽陽性の症例の中で、明らかに4つの合併症が大きな比率を占めていた。

comorbity

参考文献

Predicting early risk of chronic kidney disease in cats using routine clinical laboratory tests and machine learning

コメント

タイトルとURLをコピーしました