Przewlekła choroba nerek
Rokowania, prognozy i postęp choroby
Przewlekła choroba nerek (PChN) stanowi istotne wyzwanie kliniczne, szczególnie u pacjentów z ciężko obniżoną filtracją kłębuszkową (GFR ≤30 ml/min/1,73 m²), u których ryzyko progresji do schyłkowej niewydolności nerek (ESKD), chorób sercowo-naczyniowych oraz zgonu jest znacznie podwyższone. Modele predykcyjne, takie jak Kidney Failure Risk Equation (KFRE), wykorzystujące dane demograficzne i laboratoryjne (m.in. wiek, płeć, eGFR, albuminurię), umożliwiają oszacowanie 2- i 5-letniego ryzyka konieczności leczenia nerkozastępczego (dializa lub przeszczep). Pomimo ich udokumentowanej skuteczności i rekomendacji do stosowania, wykorzystanie tych narzędzi w praktyce nefrologicznej pozostaje ograniczone. Alternatywne modele, np. KDpredict, wykazują lepszą predykcję w niektórych kohortach, a integracja biomarkerów osoczowych oraz parametrów lipidowych może dodatkowo poprawić dokładność prognozowania. Wysokie wskaźniki hospitalizacji i śmiertelności, szczególnie w pierwszych 6 miesiącach od rozpoczęcia dializy (5-letnie przeżycie około 35%, a u pacjentów z cukrzycą około 25%), podkreślają konieczność wczesnej identyfikacji i intensywnego zarządzania pacjentami z PChN.
Przewidywanie wyników klinicznych w przewlekłej chorobie nerek
Przewlekła choroba nerek (PChN) jest istotnym globalnym problemem zdrowotnym, który wymaga wczesnego wykrywania i dokładnej prognozy w celu efektywnego leczenia i zarządzania chorobą. Pacjenci z ciężko obniżoną filtracją kłębuszkową (GFR ≤30 ml/min/1,73 m²) są szczególnie narażeni na niewydolność nerek, choroby sercowo-naczyniowe (CVD) i zgon. Dokładne oszacowanie ryzyka i czasu wystąpienia tych zdarzeń klinicznych może ukierunkować poradnictwo pacjentów i terapię.1 Wytyczne dotyczące przewlekłej choroby nerek zalecają nefrologom stosowanie modeli predykcyjnych, aby pomóc w identyfikacji pacjentów ze zwiększonym ryzykiem progresji PChN i dostosować ich leczenie w celu ograniczenia dalszego spadku funkcji nerek.2
Znaczenie modeli predykcyjnych w PChN
Przebieg przewlekłej choroby nerek i ryzyko progresji do schyłkowej niewydolności nerek (ESKD) różnią się między pacjentami. Dokładne przewidywanie, czy i kiedy nastąpią zdarzenia kliniczne u pacjentów z ciężko obniżoną GFR, pomoże ukierunkować wysiłki na leczenie i zapobieganie pogorszeniu choroby.1 W ostatnich latach opracowano liczne modele predykcyjne dla praktyki klinicznej PChN. Pomimo dostępności dobrze zwalidowanych modeli i zaleceń, aby nefrolodzy je stosowali, faktyczne wykorzystanie modeli predykcyjnych w praktyce PChN wydaje się ograniczone.2
Badania wykazały, że zarówno nefrolodzy, jak i większość pacjentów chce omawiać wyniki z modeli predykcyjnych w praktyce klinicznej, szczególnie tych, które przewidują progresję PChN. Nawet jeśli duża część pacjentów uważała przewidywania za konfrontacyjne (szczególnie te dotyczące progresji PChN), prawie żaden z nich nie żałował omówienia przewidywań ze swoim nefrologiem w przeszłości.2
Równanie ryzyka niewydolności nerek (KFRE)
Jednym z najbardziej znanych modeli predykcyjnych jest równanie ryzyka niewydolności nerek (Kidney Failure Risk Equation, KFRE). Używając danych pacjenta dotyczących moczu, płci, wieku i GFR, równanie ryzyka niewydolności nerek dostarcza 2- i 5-letnie prawdopodobieństwo leczenia niewydolności nerek (dializa lub przeszczep) dla potencjalnego pacjenta z PChN w stadium 3-5.3
Równania z czterema i ośmioma zmiennymi dokładnie przewidują 2- i 5-letnie prawdopodobieństwo leczenia niewydolności nerek dla potencjalnego pacjenta z PChN w stadium 3-5. Przewidywane ryzyko może różnić się od obserwowanego ryzyka w populacjach klinicznych o niższym i wyższym obserwowanym ryzyku niż populacja badana, a współczynnik kalibracji dla kohort z poza Ameryki Północnej został dodany.3
Badania potwierdziły dokładność KFRE w populacji z niższym GFR niż kohorty, w których pierwotnie opracowano i zwalidowano ten model, a porównanie KFRE z innymi modelami wykazało podobne wyniki. Narzędzie to może być przydatnym uzupełnieniem istniejących kalkulatorów ryzyka, gdy wymagane są dopracowane szacunki uwzględniające konkurujące zdarzenia i wzorce zdarzeń.4
Użyteczność KFRE w praktyce klinicznej
Określenie prawdopodobieństwa niewydolności nerek może być przydatne dla komunikacji pacjenta i lekarza, triaż i zarządzanie skierowaniami do nefrologa oraz określenie czasu umieszczenia dostępu do dializy i przeszczepu nerki od żywego, spokrewnionego dawcy. Obecnie trwają prospektywne badania oceniające użyteczność tego narzędzia do podejmowania decyzji klinicznych.3
Inne modele predykcyjne w PChN
Poza KFRE istnieje wiele innych modeli predykcyjnych, które są używane do przewidywania progresji PChN i innych wyników. Jednym z nich jest KDpredict, który wykazał, że ryzyko śmierci w ciągu pięciu lat było wyższe niż ryzyko progresji do niewydolności nerek w większości podgrup z umiarkowaną do ciężkiej przewlekłą chorobą nerek na początku badania.5
Gdy oba modele testowano w kohortach pacjentów z Danii i Szkocji, KDpredict działał lepiej niż równanie ryzyka niewydolności nerek przy przewidywaniu końcowego stadium niewydolności nerek. KDpredict jest potencjalnie użytecznym narzędziem do stratyfikacji ryzyka u osób z przewlekłą chorobą nerek, które można zintegrować z rutynową opieką, obok istniejących narzędzi, takich jak równanie ryzyka niewydolności nerek.5
Modele predykcyjne dla populacji zdrowych i z cukrzycą typu 2
Badania zidentyfikowały 36 modeli przewidujących ryzyko PChN w zdrowych populacjach i 12 modeli w populacjach z cukrzycą typu 2. Znaleziono 13 modeli z dobrą zdolnością dyskryminacyjną dla zdrowych populacji i 4 dla populacji z cukrzycą typu 2. Modele te mogą być narzędziami do zapobiegania PChN, a niektóre z nich mogłyby stanowić podstawę do opracowania narzędzia do stosowania w placówkach podstawowej opieki zdrowotnej.6
Dla populacji z cukrzycą typu 2, model opracowany przez Low i wsp. z AUC 0,8, czułością 75,6 i swoistością 72,3, miał najwyższą dokładność, uważaną za dobrą wydajność dyskryminacyjną. Identyfikacja modeli, które mogą pomóc przewidzieć ryzyko PChN, może być pierwszym krokiem do zapobiegania PChN i informowania populacji.7
Uczenie maszynowe w przewidywaniu PChN
Zastosowanie algorytmów uczenia maszynowego do wykrywania i przewidywania PChN ma obiecujący potencjał w poprawie wyników pacjentów. Badania podkreślają znaczenie wykorzystania technik uczenia maszynowego do wzbogacenia istniejącej wiedzy medycznej i poprawy identyfikacji i zarządzania chorobą nerek.8
Analiza biegłości algorytmów uczenia maszynowego ujawniła spójne predyktory we wszystkich modelach, przy czym poziom kreatyniny w surowicy, ciśnienie krwi i wiek okazały się szczególnie skuteczne w identyfikowaniu osób zagrożonych chorobą nerek. Ustalenia te są zgodne z ustaloną wiedzą medyczną i podkreślają kluczową rolę tych atrybutów we wczesnym wykrywaniu i prognozie.89
Techniki i modele sztucznej inteligencji
W przeglądzie systematycznym oceniającym, jak sztuczna inteligencja (AI), w tym techniki uczenia maszynowego (ML), została wdrożona do przewidywania, diagnozowania i leczenia przewlekłej choroby nerek, najczęstszym celem było przewidywanie rokowania, a następnie diagnoza PChN. Uczenie maszynowe jest obiecującym narzędziem do przewidywania ryzyka, diagnozy i zarządzania terapią dla pacjentów z PChN.10
Łącznie 28 badań skupiło się na zastosowaniu algorytmów ML w analizie rokowania choroby. Wśród artykułów skupiających się na rokowaniu, większość badała zastosowanie ML w ocenie progresji PChN. Najważniejsze cechy były związane ze stanami znanymi z prowadzenia do diagnozy PChN, pogorszenia rokowania i ryzyka rozwoju PChN (np. wiek, choroby współistniejące, skurczowe i rozkurczowe ciśnienie krwi oraz wartości eGFR).10
Wydajność modeli uczenia maszynowego
Ocena wydajności jest krytycznym krokiem w rozwijaniu dokładnego modelu uczenia maszynowego. Proponowane modele były oceniane przy użyciu dziesięciokrotnej walidacji krzyżowej i innych metryk oceny wydajności, takich jak precyzja, czułość, wynik F1, czułość i swoistość.11
Wczesne przewidywanie jest bardzo istotne zarówno dla ekspertów, jak i pacjentów, aby zapobiec i spowolnić postęp przewlekłej choroby nerek do niewydolności nerek. W jednym z badań dokładność wynosiła 99,8% dla klasy binarnej i 82,56% dla pięciu klas. W związku z tym, w badaniu zalecono SVM, RF z RFECV i XGBoost w oparciu o ich dokładność, wynik F1 i inne oceny wydajności dla klasyfikacji binarnej i pięcioklasowej.11
Kliniczne czynniki predykcyjne w PChN
Tangri i wsp. opracowali i zwalidowali model u dorosłych pacjentów, który wykorzystuje rutynowe wyniki laboratoryjne do przewidywania progresji od PChN (stadium 3-5) do niewydolności nerek. Raportowali, że niższy szacunkowy wskaźnik filtracji kłębuszkowej (GFR), wyższa albuminuria, młodszy wiek i płeć męska wskazywały na szybszą progresję niewydolności nerek. Ponadto niższy poziom albuminy, wapnia i węglanów w surowicy oraz wyższy poziom fosforanów w surowicy przewidywały podwyższone ryzyko niewydolności nerek.12
Kluczowe biomarkery i predyktory
Do przewidywania progresji PChN przydatne są UACR (stosunek albuminy do kreatyniny w moczu) i szacunkowy współczynnik filtracji kłębuszkowej (eGFR). Ostatnie badania ujawniły, że nowo zaproponowane równanie ryzyka wykorzystujące 6 rutynowych zmiennych może ułatwić identyfikację przypadków PChN, które będą miały wyższe ryzyko progresji do terapii nerkozastępczej (KRT).13
Do identyfikacji przypadków PChN, które będą postępować do ESKD, badano biomarkery osoczowe w celu przewidywania pacjentów wysokiego ryzyka. Protokół badania obejmował pomiar kilku biomarkerów związanych z włóknieniem, uszkodzeniem kanalików i stanem zapalnym. Wyniki wykazały, że 77,7% badanych było chorych na cukrzycę, a 2541 przypadków rozwinęło zaawansowaną PChN. Przewidywanie z użyciem obu biomarkerów wykazało lepsze wyniki niż którykolwiek z nich osobno, a ta metoda może być alternatywnym wynikiem dla progresji PChN.14
Parametry lipidowe i dystrybucja tkanki tłuszczowej
Zarządzanie lipidami w klinice jest kluczowe dla zapobiegania i leczenia przewlekłej choroby nerek, podczas gdy manifestacje wskaźników lipidowych różnią się typem i mają elastyczne powiązanie z prognozą PChN. Wyniki wskazują, że kompleksowe rozważenie metabolizmu lipidów i dystrybucji tłuszczu jest bardziej krytyczne w przewidywaniu rokowania PChN.15
Badania wykazały również, że dodanie parametrów związanych z lipidami do modelu zawierającego wiek, Hb, eGFR, UPCR i inne czynniki ryzyka skutkowało bardziej pożądaną dokładnością i nieco lepszym wskaźnikiem NRI wynoszącym 0,8%. Biorąc pod uwagę wpływ wielu zmiennych związanych z lipidami na progresję PChN w różnych skalach czasowych, zarówno lipidy w krążeniu, jak i dystrybucja tłuszczu są kluczowe dla pacjentów z zaawansowaną PChN niezależną od dializy.15
Rokowanie i śmiertelność w PChN
Niewyrównane wskaźniki hospitalizacji w populacji PChN, odzwierciedlające jej całkowite obciążenie chorobą, są 3-5 razy wyższe niż u pacjentów bez PChN. Po dostosowaniu do płci, wcześniejszych hospitalizacji i chorób współistniejących, wskaźniki hospitalizacji pacjentów z PChN są 1,4 razy wyższe. Szczególnie podwyższone są wskaźniki hospitalizacji z powodu chorób sercowo-naczyniowych i infekcji bakteryjnych.16
Wskaźniki śmiertelności związane z PChN są uderzające. Po dostosowaniu do demografii i chorób współistniejących, zgony w 2019 r. u pacjentów z PChN i bez niej wynosiły odpowiednio 94,5 i 41,5 na 1000 osobolat. W przypadku pacjentów z ESKD dostosowany wskaźnik śmiertelności w 2019 r. wynosił 128,5 na 1000 osobolat. Wskaźniki śmiertelności gwałtownie wzrosły wraz z pandemią COVID-19; na przykład u biorców przeszczepu nerki wskaźniki śmiertelności (które zmniejszyły się o prawie 5% od 2011 do 2019 r.) wzrosły o 34,0% w 2020 r. i o kolejne 16,3% w 2021 r.16
Wskaźniki przeżywalności
Najwyższy wskaźnik śmiertelności występuje w ciągu pierwszych 6 miesięcy od rozpoczęcia dializy. Śmiertelność ma tendencję do poprawy w ciągu następnych 6 miesięcy, zanim stopniowo wzrośnie w ciągu następnych 4 lat. Wskaźnik 5-letniego przeżycia pacjenta poddawanego długotrwałej dializie w Stanach Zjednoczonych wynosi około 35%, a u pacjentów z cukrzycą około 25%.17
Wpływ choroby sercowo-naczyniowej
Choroba wieńcowa spowodowana utrzymującym się stanem zapalnym i wpływem czynników promujących kalcyfikację jest główną przyczyną zachorowalności i śmiertelności u pacjentów z przewlekłą chorobą nerek. Jednakże dostępne dowody dotyczące wpływu prognostycznego choroby nerek u pacjentów z zawałem mięśnia sercowego z uniesieniem odcinka ST leczonych pierwotną angioplastyką są ograniczone.18
W kontekście pierwotnej angioplastyki, choroba nerek dotyka 1 na 5 pacjentów, z do 9 razy wyższym wskaźnikiem śmiertelności szpitalnej i 5 razy wyższym wskaźnikiem śmiertelności 3-letniej. Różne przyczyny tego zostały postulowane: wyższa współchorobowość, zaburzenia metaboliczne, przewlekły stan zapalny, stres oksydacyjny i dysfunkcja śródbłonka jako czynniki przyczyniające się do większego rozprzestrzeniania się, progresji i złożoności choroby wieńcowej. Z drugiej strony, przewlekła choroba nerek jest jednym z najpotężniejszych predyktorów krwawienia i znanym czynnikiem ryzyka zakrzepicy stentu.19
Przyszłe kierunki rozwoju modeli predykcyjnych
Przewidywanie choroby jest złożone i wymaga kilku czynników oraz rygorystycznej metodologii, aby model predykcyjny był wydajny, oszczędny i możliwy do uogólnienia na większą populację zainteresowania. Modele regresji, które mogłyby najlepiej badać kategoryczne zmienne wynikowe, są sugerowaną metodologią modelowania PChN.2021
Ponadto, biorąc pod uwagę ciężkość PChN i jej konsekwencje dla zdrowia publicznego oraz wyzwania związane z jej przewidywaniem, przewiduje się, że model predykcyjny PChN mógłby być dokładny i specyficzny przy uwzględnieniu ważnych markerów demograficznych, biochemicznych i molekularnych, a nie być oszczędnym, aby kontrolować obciążenie chorobą nerek.21
Integracja AI z tradycyjnymi modelami
Aplikacja modeli uczenia maszynowego zapewnia możliwość wykorzystania informacji zawartych w dużych i złożonych zbiorach danych oraz wykorzystania złożonych, nieliniowych zależności. Zastosowanie tych technik analitycznych obiecuje poprawę naszego zrozumienia progresji PChN i dostarczenie informacji o kluczowych interwencjach, aby pomóc spowolnić progresję i zmniejszyć obciążenie PChN.22
Przegląd podkreśla, że techniki nadzorowane, a dokładniej regresja Coxa, jest dominującym modelem używanym do przewidywania progresji PChN. Istniała tylko niewielka liczba badań w przeglądzie, które wykorzystywały nienadzorowane i modele ML, przy czym ograniczona liczba sprawiała, że bardzo trudno było przeprowadzić porównanie między tymi modelami. Bardziej spójne i odtwarzalne podejście jest wymagane dla przyszłych badań mających na celu opracowanie modeli predykcji ryzyka dla progresji PChN.23
Podejście medycyny spersonalizowanej
W jednym z badań opracowano model predykcyjny dla rokowania PChN w stadiach 3-5. Wyniki wykazały, że ryzyko zdarzeń końcowych u pacjentów z PChN w stadiach 3-5 nie jest określone tylko przez same stany chorobowe, ale także przez kontrolę czynników ryzyka i przestrzeganie zarządzania chorobą przewlekłą (CDM). Zastosowanie modelu w praktyce klinicznej może kierować podejmowanie decyzji klinicznych i poprawić interwencje oraz rokowanie pacjenta.24
Przestrzeganie CDM, wiek, eGFR, wyniki zgłaszane przez pacjentów (PRO), hemoglobina (Hb), kwas moczowy (UA), choroby sercowo-naczyniowe (CVD) i choroba podstawowa były niezależnymi czynnikami ryzyka zdarzeń końcowych u pacjentów z PChN w stadiach 3-5 i były również ważnymi predyktorami w modelu B. Model predykcyjny w tym badaniu ma również ważne znaczenie kliniczne. Jego predyktory obejmują przestrzeganie CDM, sugerując, że interwencja CDM może pomóc poprawić rokowanie pacjentów z PChN, jeśli pacjenci dobrze przestrzegają zaleceń.25
Kolejne rozdziały
Zapraszamy do dalszego czytania naszego leksykonu.
Wybierz kolejny rozdział z menu poniżej, aby otworzyć nową podstronę kompedium wiedzy i uzyskać szczegółowe informację o leku, substancji lub chorobie.
Materiały źródłowe
- #1 Predicting timing of clinical outcomes in patients with chronic kidney disease and severely decreased glomerular filtration ratehttps://pmc.ncbi.nlm.nih.gov/articles/PMC5967981/
Patients with chronic kidney disease and severely decreased glomerular filtration rate (GFR) are at high risk for kidney failure, cardiovascular disease (CVD) and death. […] Accurate estimates of risk and timing of these clinical outcomes could guide patient counseling and therapy. […] Thus, commonly-measured clinical characteristics can predict the timing and occurrence of clinical outcomes in patients with severely decreased GFR. […] Accurate prediction of whether and when clinical outcomes will occur in patients with severely decreased GFR (eGFR 30 ml/min/1.73 m2; subsequently designated as Stage G4+) will help target efforts to treat and prevent worsening of disease. […] Our study provides evidence that clinical characteristics at eGFR 30 ml/min/1.73m2 have strong relationships with subsequent events, even in individuals with severely decreased GFR.
- #2 Predicting outcomes in chronic kidney disease: needs and preferences of patients and nephrologists | BMC Nephrology | Full Texthttps://bmcnephrol.biomedcentral.com/articles/10.1186/s12882-023-03115-3
The course of chronic kidney disease (CKD) and the risk of progression to end-stage kidney disease (ESKD) vary among patients. […] Guidelines recommend that nephrologists use clinical prediction models (CPMs) to help identify patients at increased risk of CKD progression and adjust their treatment to help limit further kidney function decline. […] Numerous CPMs have been developed for CKD practice over the years. […] Even though well-validated models are readily available and guidelines recommend that nephrologists use CPMs, the actual use of CPMs in CKD practice seems limited. […] The majority of both patients and nephrologists advocated for the use of CPMs in CKD practice. […] Even though a large proportion of patients considered predictions confrontational (particularly predictions about CKD progression), almost none of them regretted discussing predictions with their nephrologists in the past. […] In this study, both nephrologists and the majority of patients want to discuss CPMs in Dutch CKD practice, especially those that predict CKD progression.
- #3 The Kidney Failure Risk Equationhttps://kidneyfailurerisk.com/
Using the patient’s Urine, Sex, Age and GFR, the kidney failure risk equation provides the 2 and 5 year probability of treated kidney failure for a potential patient with CKD stage 3 to 5. […] The four and eight variable equations accurately predict the 2 and 5 year probability of treated kidney failure (dialysis or transplantation) for a potential patient with CKD Stage 3 to 5. Predicted risks may differ from observed risks in clinical populations with lower and higher observed risks than the study population, and a calibration factor for non-North American cohorts has been added. […] Determining the probability of kidney failure may be useful for patient and provider communication, triage and management of nephrology referrals and timing of dialysis access placement and living related kidney transplant. Prospective trials evaluating the utility of this instrument for clinical decision making are in progress.
- #4 Predicting timing of clinical outcomes in patients with chronic kidney disease and severely decreased glomerular filtration ratehttps://pmc.ncbi.nlm.nih.gov/articles/PMC5967981/
We confirm the accuracy of the KFRE in a population with lower GFR than the cohorts in which it was originally developed and validated, and we compare the KFRE to our own model, finding similar results. […] This tool may be a useful supplement to existing risk calculators when refined estimates that take into account competing events and patterns of events are required.
- #5 Predicting the outcomes of chronic kidney disease in older adults | The BMJhttps://www.bmj.com/content/385/bmj.q749
Predicting the risks of kidney failure and death in adults with moderate to severe chronic kidney disease […] In people already diagnosed with chronic kidney disease, prediction models are used to estimate the risk of progression to renal replacement therapy and to predict other outcomes such as mortality or cardiovascular diseases. […] KDpredict showed that risk of death over five years was higher than the risk of progression to kidney failure in most subgroups with moderate to severe chronic kidney disease at baseline. […] When both models were tested in patient cohorts from Denmark and Scotland, KDpredict performed better than the kidney failure risk equation at predicting end-stage kidney failure. […] KDpredict is a potentially useful tool for risk stratification in people with chronic kidney disease, to be integrated into routine care, alongside existing tools such as the kidney failure risk equation.
- #6 Risk Prediction Score for Chronic Kidney Disease in Healthy Adults and Adults With Type 2 Diabetes: Systematic Reviewhttps://www.cdc.gov/pcd/issues/2023/22_0380.htm
Previous reviews found 30 models to identify chronic kidney disease (CKD) in healthy populations, some with good discriminatory performance. […] Our study identified 36 models for risk of CKD in healthy populations and 12 in populations with type 2 diabetes. We found 13 models with good discriminatory performance for healthy populations and 4 for populations with type 2 diabetes. […] These models could be tools for preventing CKD. Some of them could be the base to develop a tool for use in primary care settings. […] Chronic kidney disease (CKD) is an important public health problem. In 2017, the global prevalence was estimated at 9.1%. Appropriate tools to predict the risk of developing CKD are necessary to prevent its progression. […] The aim of our study was to identify the existing prediction scores and their diagnostic accuracy for detecting CKD in apparently healthy populations and populations with type 2 diabetes.
- #7 Risk Prediction Score for Chronic Kidney Disease in Healthy Adults and Adults With Type 2 Diabetes: Systematic Reviewhttps://www.cdc.gov/pcd/issues/2023/22_0380.htm
For the population with type 2 diabetes, Low et al (26), with 0.8 AUC, 75.6 sensitivity, and 72.3 specificity, had the highest accuracy, considered as good discriminatory performance. […] The burden of CKD is increasing in both absolute and relative terms; identifying models that can help to predict the risk of CKD could be the first step to prevent CKD and inform the population. […] These models are important in primary care settings to help identify people at risk and promptly start prevention or treatment.
- #8 Unlocking Precision Medicine for Prognosis of Chronic Kidney Disease Using Machine Learninghttps://www.mdpi.com/2075-4418/13/19/3151
Chronic kidney disease (CKD) is a significant global health challenge that requires timely detection and accurate prognosis for effective treatment and management. […] The application of machine learning (ML) algorithms for CKD detection and prediction holds promising potential for improving patient outcomes. […] This research highlights the importance of leveraging machine learning techniques to augment existing medical knowledge and improve the identification and management of kidney disease. […] The aim is to improve early detection and prognosis, enhancing patient outcomes and reducing the burden on healthcare systems. […] The proficiency analysis of the ML algorithms revealed consistent predictors across all models, with serum creatinine level, blood pressure, and age emerging as particularly effective in identifying individuals at risk of kidney disease.
- #9 Unlocking Precision Medicine for Prognosis of Chronic Kidney Disease Using Machine Learninghttps://www.mdpi.com/2075-4418/13/19/3151
These findings align with established medical knowledge and emphasize the pivotal role of these attributes in early detection and prognosis. […] In conclusion, our study demonstrates the effectiveness of diverse machine learning algorithms in detecting and predicting kidney disease. […] The identification of influential predictors, such as serum creatinine level, blood pressure, and age, underscores their significance in early detection and prognosis. […] By leveraging machine learning techniques, we can enhance the accuracy and efficiency of kidney disease diagnosis and treatment, ultimately improving patient outcomes and healthcare system effectiveness.
- #10https://link.springer.com/article/10.1007/s40620-023-01573-4
In this systematic review we aimed at assessing how artificial intelligence (AI), including machine learning (ML) techniques have been deployed to predict, diagnose, and treat chronic kidney disease (CKD). We systematically reviewed the available evidence on these innovative techniques to improve CKD diagnosis and patient management. […] The most common aim was prediction of prognosis, followed by diagnosis of CKD. […] Machine learning is a promising tool for the prediction of risk, diagnosis, and therapy management for CKD patients. […] A total of 28 studies focused on the use of ML algorithms in disease prognosis analysis, […] Among the articles focusing on prognosis, the majority studied the application of ML in evaluating CKD progression […] The most important features were related to conditions known to lead to CKD diagnosis, worsening of prognosis and risk of developing CKD (e.g., age, comorbidities, systolic and diastolic blood pressure and eGFR values). […] This systematic review underlines the potential benefits and pitfalls of ML in the diagnosis, prognosis, and management of CKD.
- #11 Chronic kidney disease prediction using machine learning techniques | Journal of Big Data | Full Texthttps://journalofbigdata.springeropen.com/articles/10.1186/s40537-022-00657-5
Performance evaluation is the critical step of developing an accurate machine-learning model. […] The proposed models were evaluated using tenfold cross-validation and other performance evaluation metrics such as precision, recall, f1_score, sensitivity, and specificity. […] Early prediction is very crucial for both experts and patients to prevent and slow down the progress of chronic kidney disease to kidney failure. […] The accuracy was 99.8% for the binary class and 82.56% for five-class. […] Thus, SVM, RF with RFECV and XGBoost is recommended in our study based on its accuracy, f1score, and other performance evaluation for binary class and five-class classifications.
- #12 Chronic Kidney Disease (CKD): Practice Essentials, Pathophysiology, Etiologyhttps://emedicine.medscape.com/article/238798-overview
Patients with chronic kidney disease (CKD) generally experience progressive loss of kidney function and are at risk for end-stage kidney disease (ESKD). The rate of progression depends on age, the underlying diagnosis, the implementation and success of secondary preventive measures, and the individual patient. Timely initiation of long-term renal replacement therapy is imperative to prevent the uremic complications of CKD that can lead to significant morbidity and death. […] Tangri et al developed and validated a model in adult patients that uses routine laboratory results to predict progression from CKD (stages 3-5) to kidney failure. They reported that lower estimated glomerular filtration rate (GFR), higher albuminuria, younger age, and male sex pointed to a faster progression of kidney failure. Also, a lower serum albumin, calcium, and bicarbonate level and a higher serum phosphate level predicted an elevated risk of kidney failure.
- #13 Prediction for the Progression of Chronic Kidney Disease (CKD) in Various Situations – Asploro Open Access Publicationshttps://asploro.com/prediction-for-the-progression-of-chronic-kidney-disease-ckd-in-various-situations/
The discussion of chronic kidney disease (CKD), kidney replacement therapy (KRT), and end-stage kidney disease (ESKD) has been important. Recently, a useful predictive model of CKD progression to renal failure was reported by the German CKD study group. […] For the prediction of CKD progression, UACR and estimated glomerular filtration rate (eGFR) are useful. […] Among the latest topics for renal diseases and CKD, a useful predictive model leading to the progression of CKD to renal failure was reported from a German CKD study group. […] Consequently, the newly proposed risk equation using 6 routine variables can facilitate the judgement for the identification of CKD cases who will be at higher risk of progressing to KRT. […] The progression rate of CKD, end-stage kidney disease (ESKD), all-cause mortality, and CVD events vary in each country.
- #14 Prediction for the Progression of Chronic Kidney Disease (CKD) in Various Situations – Asploro Open Access Publicationshttps://asploro.com/prediction-for-the-progression-of-chronic-kidney-disease-ckd-in-various-situations/
For identifying CKD cases who will progress to ESKD, plasma biomarkers were studied for predicting high-risk patients. […] The protocol showed the measurement of several biomarkers related to fibrosis and tubular injury and inflammation. […] Regarding long-term risk of renal failure, some biomarkers were investigated in hospitalized patients with CKD and acute kidney injury. […] The results showed that i) 77.7% was diabetic, ii) 2541 cases were progressed to advanced CKD. […] Prediction using both biomarkers showed better than either alone, and this method would be an alternative outcome for progression of CKD. […] Related to the progression of CKD to ESRD, proton nuclear magnetic resonance (NMR) spectroscopy was investigated. […] In summary, recent topics concerning CKD, KRT and ESKD were introduced.
- #15 Lipid parameters, adipose tissue distribution and prognosis prediction in chronic kidney Disease patients | Lipids in Health and Disease | Full Texthttps://lipidworld.biomedcentral.com/articles/10.1186/s12944-024-02004-4
Lipid management in clinic is critical to the prevention and treatment of Chronic kidney disease (CKD), while the manifestations of lipid indicators vary in types and have flexible association with CKD prognosis. […] The results indicated that comprehensive consideration of lipid metabolism and fat distribution is more critical in the prediction of CKD prognosis. […] Comprehensive consideration of lipid manifestations is optimal in predicting the prognosis of individuals with non-dialysis CKD stages 35. […] Our study also showed that adding lipid-related parameters to a model that included age, Hb, eGFR, UPCR and other risk factors resulted in more desirable accuracy and slightly better NRI of 0.8%. […] Considering the effects of multiple lipid-related variables on CKD progression with various time-scales, both lipids in circulation and fat distribution are crucial for patients with non-dialysis-dependent advanced CKD.
- #16 Chronic Kidney Disease (CKD): Practice Essentials, Pathophysiology, Etiologyhttps://emedicine.medscape.com/article/238798-overview
Unadjusted rates of hospitalization in the CKD population, reflecting its total disease burden, are 3-5 times higher than those of patients without CKD. After adjustment for sex, prior hospitalizations, and comorbidity, hospitalization rates for patients with CKD are 1.4 times higher. Rates of hospitalization for cardiovascular disease and bacterial infection are particularly elevated. […] The mortality rates associated with CKD are striking. After adjustment for demographics and comorbidities, deaths in 2019 in patients with and without CKD were 94.5 versus 41.5 per 1000 person-years, respectively. For patients with ESKD, the adjusted mortality rate in 2019 was 128.5 per 1000 person-years. Mortality rates rose sharply with the COVID-19 pandemic; in kidney transplant recipients, for example, mortality rates (which had decreased by nearly 5% from 2011 to 2019) increased by 34.0% in 2020 and by a further 16.3% in 2021. In the overall CKD population, however, mortality rates decreased by about 2% from 2020 to 2021.
- #17 Chronic Kidney Disease (CKD): Practice Essentials, Pathophysiology, Etiologyhttps://emedicine.medscape.com/article/238798-overview
The highest mortality rate is within the first 6 months of initiating dialysis. Mortality then tends to improve over the next 6 months, before increasing gradually over the next 4 years. The 5-year survival rate for a patient undergoing long-term dialysis in the United States is approximately 35%, and approximately 25% in patients with diabetes.
- #18 Short and long-term prognosis of chronic kidney disease in patients undergoing primary angioplastyhttps://recintervcardiol.org/en/scientific-letter/short-and-long-term-prognosis-of-chronic-kidney-disease-in-patients-undergoing-primary-angioplasty
Coronary artery disease due to sustained inflammation and the effects of calcification promoters is the leading cause of morbidity and mortality in patients with chronic kidney disease. […] However, the evidence available on the prognostic impact of KD in patients with ST-segment elevation acute myocardial infarction treated with a primary angioplasty is scarce. […] Our objective was to assess the long-term and in-hospital prognosis (5-year follow-up) of a single-center, retrospective cohort of patients who underwent a primary angioplasty between 2007 and 2014. […] During the admission and the long-term follow-up, patients with KD more often showed the composite endpoint and a higher mortality rate, mainly cardiovascular. […] Also, KD was associated with the occurrence of major bleeding.
- #19 Short and long-term prognosis of chronic kidney disease in patients undergoing primary angioplastyhttps://recintervcardiol.org/en/scientific-letter/short-and-long-term-prognosis-of-chronic-kidney-disease-in-patients-undergoing-primary-angioplasty
In the primary angioplasty setting, KD affects 1 out of 5 patients, with an up to 9 times higher in-hospital mortality rate and a 5 times higher 3-year mortality rate. […] Different causes for this have been postulated: higher comorbidity, metabolic alterations, chronic inflammation, oxidative stress, and endothelial dysfunction as contributors to a greater spread, progression, and complexity of coronary artery disease. […] On the other hand, chronic kidney disease is one of the most powerful predictors of bleeding and a known risk factor of stent thrombosis. […] This adds more complexity to the antithrombotic management of patients with KD though further research is still needed on this issue. […] We hope future studies will shed light on the optimal treatment for a subgroup of patients on which there are still too many shadows of evidence.
- #20 Challenges in predictive modelling of chronic kidney disease: A narrative reviewhttps://www.wjgnet.com/2220-6124/full/v13/i3/97214.htm
The exponential rise in the burden of chronic kidney disease (CKD) worldwide has put enormous pressure on the economy. Predictive modeling of CKD can ease this burden by predicting the future disease occurrence ahead of its onset. […] However, there are several challenges in the predictive modeling of CKD. Disease-specific methodological challenges hinder the development of a predictive model that is cost-effective and universally applicable to predict CKD onset. […] This review discusses the challenges associated with the application of these regression methods for the predictive modeling of CKD. […] The prediction of disease is complex and requires several factors and rigorous methodology for the predictive model to be efficient, parsimonious and generalizable to a larger population of interest.
- #21 Challenges in predictive modelling of chronic kidney disease: A narrative reviewhttps://www.wjgnet.com/2220-6124/full/v13/i3/97214.htm
Thus, regression models, that could best study categorical outcome variables is the suggestive methodology for CKD modeling. […] Moreover, with the severity of CKD and its consequences on public health and challenges associated with its prediction, we anticipate that the predictive model of CKD could be accurate and specific with the inclusion of the important demographic, biochemical and molecular markers rather than being parsimonious to control the kidney disease burden.
- #22 Prediction models used in the progression of chronic kidney disease: A scoping review | PLOS Onehttps://journals.plos.org/plosone/article?id=10.1371/journal.pone.0271619
The application of ML models provides capacity to tap into the information contained in large and complex datasets and exploit the complex non-linear dependencies. […] The application of these analytical techniques promises to improve our understanding of CKD progression and inform key interventions to help slow progression and reduce the burden of CKD. […] The review aims to 1) Identify and outline existing models used in predicting CKD progression; 2) To understand what measured outcome(s) and selected significant variables were chosen when building a prediction model for CKD progression. […] The predicted outcome included measurement of risk towards ESKD which were defined as: when the eGFR value is 15mL/kg/min/1.73m2 and / or the initiation of kidney replacement therapies (KRTs) such as dialysis or kidney transplantation.
- #23 Prediction models used in the progression of chronic kidney disease: A scoping review | PLOS Onehttps://journals.plos.org/plosone/article?id=10.1371/journal.pone.0271619
The review highlights that supervised techniques, and more specifically, cox regression is the predominant model that is used to predict the progression of CKD. There were only a small number of studies in the review that used unsupervised and ML models, with the limited numbers making it very difficult to perform a comparison between these models. A more consistent and reproducible approach is required for future studies looking to develop risk prediction models for CKD progression.
- #24 Developing and validating a prognostic prediction model for patients with chronic kidney disease stages 3â5 based on disease conditions and intervention methods: a retrospective cohort study in China | BMJ Openhttps://bmjopen.bmj.com/content/12/5/e054989
In this study, we developed a prediction model for the prognosis of CKD stages 35. The results showed that the risk of endpoint events in patients with CKD stages 35 was not only determined by the disease conditions themselves, but also the control of risk factors and CDM adherence. Applying the model to clinical practice may guide clinical decision-making, and improve interventions and patient prognosis.
- #25 Developing and validating a prognostic prediction model for patients with chronic kidney disease stages 3â5 based on disease conditions and intervention methods: a retrospective cohort study in China | BMJ Openhttps://bmjopen.bmj.com/content/12/5/e054989
Objectives To develop and validate a nomogram model to predict chronic kidney disease (CKD) stages 35 prognosis. […] We constructed a prediction model to predict the prognosis of patients with CKD stages 35 in the first and second year. Applying this model to clinical practice may guide clinical decision-making. Also, this model needs to be externally validated in the future. […] CDM adherence, age, eGFR, PRO, Hb, UA, CVD and primary disease were independent risk factors of the endpoint events for patients with CKD stages 35, and were also important predictors in model B. […] The prediction model in this study also has important clinical significance. Its predictors include CDM adherence, suggesting that the CDM intervention may help improve the prognosis of patients with CKD if patients have good adherence.