机器学习算法构建慢性肾脏病伴高血压或糖尿病的预测模型

曾慧娟; 田波; 袁红伶; 何杰; 李冠羲; 茹国佳; 许敏; 詹东

doi:10.12259/j.issn.2095-610X.S20240315

机器学习算法构建慢性肾脏病伴高血压或糖尿病的预测模型

doi: 10.12259/j.issn.2095-610X.S20240315

曾慧娟¹,
田波²,
袁红伶¹,
何杰¹,
李冠羲¹,
茹国佳¹,
许敏¹,
詹东^3, ,

1.
昆明医科大学第一附属医院肾脏内二科，云南昆明　650032
2.
云南省第一人民医院科研科，云南昆明　650034
3.
昆明医科大学基础医学院，云南昆明　650500

基金项目: 云南省教育厅科学研究基金资助项目（2022J0268）；昆明医科大学第一附属医院博士科研基金资助项目（2021BS018）

详细信息

作者简介:
曾慧娟（1985～），女，云南大理人，医学博士，主治医师，主要从事肾脏内科学研究工作

通讯作者:
詹东，E-mail：zhandong@kmmu.edu.cn

中图分类号: R319；R692；R34
计量
- 文章访问数: 915
- HTML全文浏览量: 521
- PDF下载量: 27
- 被引次数: 0
出版历程
- 收稿日期: 2023-12-13
- 网络出版日期: 2024-03-11
- 刊出日期: 2024-03-30

Predictive Modeling of Chronic Kidney Disease with Hypertension or Diabetes Based on Machine Learning Algorithms

1.
Dept. of Nephrology，1st Affiliated Hospital of Kunming Medical University
2.
Dept. Scientific Research，Yunnan 1st People’s Hospital
3.
School of Basic Medical Sciences，Kunming Medical University，Kunming Yunnan 650500，China

摘要

摘要: 目的构建社区高血压、糖尿病患者中慢性肾脏病（CKD）早期预测模型。方法群随机抽样昆明市4个城区的社区服务中心。对各中心建档居民分为疾病组（n = 1267）和对照组（n = 566），疾病组居民患有高血压和或糖尿病，对照组未患。分别调查2组CKD患病情况并进行问卷调查、实验室检查和人浆细胞瘤变异易位基因（PVT1）基因中5个单核苷酸多态位点等检测。Logistics回归筛选有统计学意义的危险因素纳入机器学习模型构建。算法模型包括支持向量机（SVM）、随机森林模型（RF），朴素贝叶斯（NB）模型和人工神经网络（ANN），并对比评价4个模型的效能和准确性进行比较分析。结果筛选出13项具有统计学意义的指标（P < 0.05），包括年龄、疾病类型、民族、血尿素氮、血肌酐、eGFR、PAM13量表分数、睡眠质量调查、熬夜情况、PVT1基因单核苷酸多态位点rs11993333及rs2720659。基于危险指标建立机器学习算法模型。ANN模型的准确度达94.6%、特异性为66.67%、Kappa值为0.7294、ROC和PRC曲线下面积（0.9418和0.9261）均高于其它3种模型；RF模型敏感性最高位100%。结论机器学习算法构建的CKD早期诊断模型在社区高血压或糖尿病患者中有较好的预测效能。尤其ANN模型各项性能优于其它。
- 慢性肾脏病 /
- 机器学习 /
- 预测模型 /
- 高血压 /
- 糖尿病
Abstract: Objective To build the early predictive model for chronic kidney disease （CKD） in hypertension and diabetes patients in the community. Methods The CKD patients were recruited from 4 health care centers in 4 urban areas in Kunming. The control group was residents without hypertension and diabetes （n = 1267）. The disease group was residents with hypertension and/or diabetes （n = 566）. The questionnaire survey, physical examination, laboratory testing, and 5 SNPs gene types in the PVT1 gene. The risk factors, which were filtered with logistics regression, were used to build predictive models. Four machine learning algorithms were built: support vector machine （SVM）, random forest （RF）, Naïve Bayes （NB）, and artificial neural network （ANN） models. Results Thirteen indicators included in the final diagnostic model: age, disease type, ethnicity, blood urea nitrogen, creatinine, eGFR from MDRD, ACR, eGFR from EPI2009, PAM13 score, sleep quality survey, staying-up late, PVT1 SNP rs11993333 and rs2720659. The accuracy, specificity, Kappa value, AUC of ROC, and PRC of ANN are greater than those of the other 3 models. The sensitivity of RF is the highest among 4 types of machine learning. Conclusions The ANN predictive model has a good ability of efficiency and classification to predict CKD with hypertension and/or diabetes patients in the community.
- Chronic kidney disease /
- Machine learning /
- Predictive modeling /
- Hypertension /
- Diabetes

HTML全文

图 1 预测模型构建流程图

Figure 1. Flowchart of predictive modeling

下载: 全尺寸图片幻灯片

图 2 Logisitc回归分析热图

Figure 2. Heatmap of Logistic regression

下载: 全尺寸图片幻灯片

图 3 支持向量机模型ROC和PRC的AUC

A：支持向量机模型ROC；B：支持向量机模型的PRC。

Figure 3. AUC of ROC and PRC in Support Vector Machine （SVM）

下载: 全尺寸图片幻灯片

图 4 自由森林模型ROC和PRC的AUC

A：自由森林模型ROC；B：自由森林的PRC。

Figure 4. AUC of ROC and PRC in Random Forest （RF）

下载: 全尺寸图片幻灯片

图 5 朴素贝叶斯模型ROC和PRC的AUC

A：朴素贝叶斯模型ROC；B：朴素贝叶斯模型的PRC。

Figure 5. AUC of ROC and PRC in Naïve Bayes （NB）

下载: 全尺寸图片幻灯片

图 6 人工神经网络评价

A：人工神经网络模型各层图，I代表输入层，H代表隐藏层，O代表输出层，B代表偏倚矫正神经节点；B：ANN模型各指标重要性评价；C：人工神经网络模型的ROC；D：人工神经网络模型的PRC。

Figure 6. Evaluation for artificial neuron net （ANN）

下载: 全尺寸图片幻灯片

表 1 研究对象分组数据分析[n（%）]

Table 1. Base line data analysis between control group and disease group[n（%）]

组别		n	non-CKD	CKD	χ²	P
对照组		1267	1171（92.43）	96（7.58）
疾病组	高血压	344	258（75.00）	86（25.00）
	糖尿病	96	68 （70.83）	28 （29.17）	149.64	< 0.0001^*
	高血压合并糖尿病	126	80（63.49）	46（36.51）
^*P < 0.05。

下载: 导出CSV

参考文献(15)

[1]	陈婷,邓云蕾,龚蓉. 终末期肾病合并感染的生物标志物检测意义及研究进展[J]. 临床肾脏病杂志,2022,22(3):243-247.
[2]	Santos M,Yin H,Steffick D,et al. Predictors of kidney function recovery among incident ESRD patients[J]. BMC Nephrol,2021,22(1):142-153. doi: 10.1186/s12882-021-02345-7
[3]	Bikbov B,Purcell C,Levey A,et al. Global,regional,and national burden of chronic kidney disease,1990-2017: A systematic analysis for the Global Burden of Disease Study 2017[J]. Lancet (London,England),2020,395(10225):709-733. doi: 10.1016/S0140-6736(20)30045-3
[4]	王仕鸿,令垚,杨子华,等. 基于时间序列模型的中国2020—2029年慢性肾病发病和患病情况预测研究[J]. 中国慢性病预防与控制,2023,31(11):801-806.
[5]	Zhang L,Wang F,Wang L,et al. Prevalence of chronic kidney disease in China: A cross-sectional survey[J]. Lancet (London,England),2012,379(9818):815-822. doi: 10.1016/S0140-6736(12)60033-6
[6]	郑旭彤,张曼,秦朱珠,等. 慢性肾病患者肾脏替代治疗辅助决策工具开发与验证研究的范围综述[J]. 中华护理教育,2023,20(4):500-507. doi: 10.3761/j.issn.1672-9234.2023.04.021
[7]	高翔,梅长林. 慢性肾脏病筛查诊断及防治指南[J]. 中国实用内科杂志,2017,37(1):28-34.
[8]	Zeng H,Jiang R,Zhou M,et al. Measuring patient activation in Chinese patients with hypertension and/or diabetes: Reliability and validity of the PAM13[J]. J Int Med Res,2019,47(12):5967-5976. doi: 10.1177/0300060519868327
[9]	Chen T,Li X,Li Y,et al. Prediction and risk stratification of kidney outcomes in IgA nephropathy[J]. Am J Kidney Dis,2019,74(3):300-309. doi: 10.1053/j.ajkd.2019.02.016
[10]	Chen Z,Zhang X,Zhang Z. Clinical risk assessment of patients with chronic kidney disease by using clinical data and multivariate models[J]. Int Urol Nephrol,2016,48(12):2069-2675. doi: 10.1007/s11255-016-1346-4
[11]	Polat H,Danaei Mehr H,Cetin A. Diagnosis of chronic kidney disease based on support vector machine by feature selection methods[J]. J Med Syst,2017,41(4):55-66. doi: 10.1007/s10916-017-0703-x
[12]	Almansour A,Syed F,Khayat R,et al. Neural network and support vector machine for the prediction of chronic kidney disease: A comparative study[J]. Comput Biol Med,2019,109(6):101-111.
[13]	Wolfgram F,Garcia K,Evans G,et al. Association of albuminuria and estimated glomerular filtration rate with functional performance measures in older adults with chronic kidney disease[J]. Am J Nephrol,2017,45(2):172-179. doi: 10.1159/000455388
[14]	Zhang L,Zuo L,Xu G,et al. Community-based screening for chronic kidney disease among populations older than 40 years in Beijing[J]. Nephrology,dialysis,transplantation:official publication of the European Dialysis and Transplant Association - European Renal Association,2007,22(4):1093-1099. doi: 10.1093/ndt/gfl763
[15]	Wouters J,O'donoghue J,Ritchie J,et al. Early chronic kidney disease: Diagnosis,management and models of care[J]. Nature Reviews Nephrology,2015,11(8):491-502. doi: 10.1038/nrneph.2015.85

相关文章(20)

[1]	郑旭, 谢琛, 付娆, 吴育志, 郭竹玲. 2型糖尿病患者及内分泌医生对牙周炎与糖尿病相关性认知调查, 昆明医科大学学报. doi: 10.12259/j.issn.2095-610X.S20210323
[2]	梁红敏, 陆永萍, 陈敏, 杨媛, 陈建福, 曹维涵. 超微血流与彩色多普勒半定量分析在慢性肾脏病肾血流灌注中的应用, 昆明医科大学学报. doi: 10.12259/j.issn.2095-610X.S20210212
[3]	王华炜, 孟照辉, 陆亚南, 黄钊, 许君, 陈丽星. 云南西双版纳傣族农村居民高血压患病率及相关危险因素流行病学调查, 昆明医科大学学报.
[4]	杨舒迪, 蔡乐, 马国玉, 杨家甜, 崔文龙. 昆明市城乡老年人糖尿病流行现状的对比分析, 昆明医科大学学报.
[5]	余珊, 王波. 糖尿病健康教育研究进展, 昆明医科大学学报.
[6]	董玲, 彭云珠, 黄橙, 黄钊, 陈丽星. 云南大理白族高血压患病率及相关危险因素流行病学调查, 昆明医科大学学报.
[7]	陈孝红, 王卓, 马婷, 马润, 李美玲, 周涛. vWF预测H型高血压患者血栓前状态的意义, 昆明医科大学学报.
[8]	陈前. 糖尿病合并白内障与老年性白内障临床手术比较, 昆明医科大学学报.
[9]	曾晓燕, 吴斌, 杨慧英, 杨春爱, 黄云华. 血清OPG/RANKL与云南地区2型糖尿病性骨质疏松症的相关性, 昆明医科大学学报.
[10]	颜穗珺, 李会芳. 中国糖尿病的患病概况, 昆明医科大学学报.
[11]	蒋红樱, 窦丽娜, 廖云娟, 曾怡, 白彝华, 杨敏. 心肌损伤标记物对慢性肾脏病非透析患者评估心脏结构功能的预测, 昆明医科大学学报.
[12]	陈敏. RANTES及其受体CCR5与糖尿病的相关研究, 昆明医科大学学报.
[13]	向茜. 维生素D受体基因FokI位点单核苷酸多态性与糖尿病肾病的相关性, 昆明医科大学学报.
[14]	毕永章. 云南省某贫困县高血压、糖尿病患者社区综合干预管理效果分析, 昆明医科大学学报.
[15]	彭辉. 成人起病的青少年糖尿病研究进展, 昆明医科大学学报.
[16]	秦敏丽. RBP4与炎性因子水平对2型糖尿病下肢动脉病变的诊断价值, 昆明医科大学学报.
[17]	王洪雄. 降尿酸对老年高血压合并糖尿病的高尿酸患者血糖的影响, 昆明医科大学学报.
[18]	熊煜欣. STZ小剂量多次与大剂量单次腹腔注射诱导糖尿病大鼠模型的研究, 昆明医科大学学报.
[19]	李会芳. 佤族人群CCR5基因59029G/A多态性与糖尿病前期和糖尿病的相关性研究, 昆明医科大学学报.
[20]	. 高血压脑出血合并糖尿病的术式选择及围手术期处理, 昆明医科大学学报.