کراتینین نوعی متابولیت خون است که به شدت با نرخ فیلتراسیون گلومرولی در ارتباط است. از آنجایی که اندازه گیری دشوار است، از مقدار کراتینین برای تعیین غیرمستقیم و سپس مرحله بیماری مزمن کلیه استفاده می شود.

افزودن یک آزمایش کراتینین به معاینه بهداشتی معمول می تواند را تشخیص دهد.

از آنجایی که موارد بیشتر برای معاینه جامع به معنای هزینه بالاتر است، آزمایش کراتینین در معاینه بهداشتی معمول در بسیاری از کشورها گنجانده نشده است.

الگوریتمی بر اساس نتایج آزمایشات رایج، بدون آزمایش کراتینین

برای ارزیابی خطر ، شانس تشخیص و درمان زودهنگام آن را افزایش می دهد. روش کار: در این مطالعه از داده های متن باز حاوی 1 میلیون نمونه استفاده شد. این داده ها شامل 23 ویژگی مرتبط با سلامتی است، از جمله نتایج آزمایش های تشخیصی رایج ارائه شده توسط خدمات اشتراک بیمه سلامت ملی پایین نشان دهنده بیماری مزمن کلیه است. همانطور که معمولا در جامعه پزشکی پذیرفته شده است،

یک 60 میلی لیتر در دقیقه به عنوان آستانه استفاده می شود که زیر آن به در نظر گرفته می شود. در این مطالعه، گام اول با هدف ایجاد یک مدل رگرسیونی برای پیش‌بینی ارزش کراتینین از 23 ویژگی، و سپس ترکیب مقدار پیش‌بینی‌شده کراتینین با 23 ویژگی اصلی برای ارزیابی خطر است.

ما با شبیه سازی نشان خواهیم داد که با روش پیشنهادی می توانیم به نتایج پیش بینی بهتری در مقایسه با پیش بینی مستقیم از 23 ویژگی دست یابیم. داده ها برای پیش بینی متغیر هدف کراتینین بسیار نامتعادل هستند.

ما از روش نمونه‌گیری کم استفاده کردیم و یک تابع از دست دادن خطای میانگین مربعات حساس به هزینه جدید برای مقابله با مشکل پیشنهاد کردیم.

با تغییر انتخاب مدل، این کار از سه مدل یادگیری ماشین استفاده کرد:

یک مدل درخت کیسه‌ای به نام یک مدل درخت تقویت‌کننده به نام و یک مدل مبتنی بر شبکه عصبی به نام ResNet. برای بهبود نتیجه پیش‌بینی‌کننده کراتینین، ما نتایج را از هشت پیش‌بینی‌کننده، روشی که به عنوان یادگیری گروهی شناخته می‌شود، میانگین گرفتیم. در نهایت، کراتینین پیش بینی شده و 23 ویژگی اصلی برای پیش بینی خطر استفاده می شود. یافته‌ها: ما نتایج مقدار را برای انتخاب استراتژی کم‌نمونه‌گیری مناسب و مدل رگرسیون برای مرحله رگرسیون پیش‌بینی کراتینین بهینه کردیم

مدل بهترین عملکرد  را به دست آورد. شش فاکتور از 23 مورد از بالای فهرستی انتخاب شده اند که نشان می دهد چقدر بر ارزش کراتینین تأثیر می گذارند.

آنها جنسیت، سن، هموگلوبین، سطح پروتئین ادرار، دور کمر و عادت به سیگار کشیدن هستند. با استفاده از مقدار پیش‌بینی‌شده کراتینین، هنگام طبقه‌بندی نمونه‌ها برای، ناحیه‌ای زیر منحنی مشخصه عملیاتی گیرنده 0.76 به دست می‌آید. نتیجه‌گیری: سیستم پیشنهادی با استفاده از پارامترهای سلامت رایج در دسترس می‌تواند خطر را برای سلامت عمومی ارزیابی کند. افراد در معرض خطر را می توان غربالگری کرد و به آنها توصیه کرد که آزمایش کراتینین را برای تأیید بیشتر انجام دهند. به این ترتیب، ما می‌توانیم تأثیر بیماری مزمن کلیه بر سلامت عمومی را کاهش دهیم و تشخیص زودهنگام را برای بسیاری

تسهیل کنیم، زیرا آزمایش کلی کراتینین برای همه در دسترس نیست

بیماری مزمن کلیه نوعی بیماری کلیوی است که در آن به تدریج میزان فیلتراسیون گلومرولی  طی یک دوره بیش از 3 ماه کاهش می یابد [1]. این یک قاتل خاموش است زیرا در مراحل اولیه علائم فیزیکی وجود ندارد.  در سال 2016، 753 میلیون نفر را در سراسر جهان تحت تاثیر قرار داد، 417 میلیون زن و 336 میلیون مرد [2]. سالانه بیش از 1 میلیون نفر در 112 کشور فقیر به دلیل نارسایی کلیوی جان خود را از دست می دهند، زیرا نمی توانند بار مالی هنگفت ناشی از دیالیز منظم یا جراحی تعویض کلیه را تحمل کنند [3]. بنابراین، تشخیص زودهنگام و مداخله مؤثر برای کاهش تأثیر  بر سلامت عمومی مهم است. با توجه به شرایط اقتصادی متفاوت در کشورهای مختلف، برنامه معاینات روتین سلامت متفاوت است. حتی در یک کشور، گروه های مختلف در سطوح مختلف معاینات بهداشتی دریافت می کنند. یک معاینه بهداشتی روتین جامع حتی برای تشخیص بیماری های کشنده شایع، مانند سرطان و بیماری قلبی، در اکثر کشورها نادر است. آزمایش‌های مربوط به  تنها زمانی شروع می‌شوند که یک مشکل علامتی وجود داشته باشد و بعد از آن خیلی دیر شده است.
برای غربالگری عملکرد کلیه، آزمایش ادرار و آزمایش خون لازم است . کراتینین نوعی متابولیت در خون است که به طور غیرمستقیم میزان فیلتراسیون گلومرولی  را منعکس می کند. اندازه گیری مستقیم  دشوار است.  با یک تابع ساده که پارامترهای آن مقدار کراتینین، جنس، سن و نژاد است تخمین زده می شود. آژانس های کنترل بیماری برخی کشورها توصیه می کنند که کل جمعیت بالای یک سن خاص باید از نظر کراتینین غربالگری شوند. در همین حال، در بسیاری از کشورها افراد مبتلا به دیابت یا فشار خون بالا (فشار خون بالا) برای بررسی منظم کلیه غربالگری می شوند [5]. پیش‌بینی از طریق تصویربرداری اولتراسوند نیز در عمل بالینی مطلوب در نظر گرفته می‌شود [6].
اخیراً تحقیقاتی در زمینه پیش‌بینی با استفاده از روش‌های یادگیری ماشین‌کاری گزارش شده است

همه این کارها از مجموعه داده ای از دانشگاه کالیفرنیا ارواین  استفاده کردند که شامل 400 نمونه با 24 ویژگی (سن، فشار خون، کراتینین و غیره) برای اندازه گیری  بود و نتایج طبقه بندی خوبی با بیش از 97٪ به دست آورد.

دقت. اگرچه نتیجه خوب به نظر می رسد، اما نمی توان آن را در تمرین اعمال کرد. اولین مشکل این است که یک سوگیری در مجموعه داده وجود دارد. 250 نمونه  و 150 نمونه غیر  در مجموعه داده وجود دارد:

نسبت و غیر  با واقعیت متفاوت است. علاوه بر این، در 250 نمونه ، نزدیک به 140 نمونه با مقادیر کراتینین بیش از 10 میلی لیتر در دقیقه وجود دارد که برای طبقه بندی  بی معنی است.

با این حساب، مدل پیشنهادی در طبقه بندی ناموفق خواهد بود و وقتی داده های واقعی را در نظر می گیریم، نتیجه طبقه بندی قابل قبول نخواهد بود. چگونگی تأثیر ترکیب نمونه های و نمونه های غیر بر نتایج طبقه بندی در بخش 4.6 توضیح داده خواهد شد.

مشکل دوم این است که حقیقت زمینی  با مقدار تعیین می شود و مقدار با رابطه (1) محاسبه می شود.

در معادله (1)، مقدار کراتینین پارامتر اصلی کمک کننده با سه ویژگی دیگر است: سن، نژاد و جنس. به عبارت دیگر، اگر مقدار کراتینین قبلاً شناخته شده باشد، مقدار را می توان مستقیماً با استفاده از رابطه (1) در بخش 2.1 نشان داد،

و ما وضعیت  را از مقدار می دانیم. بنابراین، استفاده از الگوریتم‌های یادگیری ماشین‌کاری برای پیش‌بینی نتیجه  به شرطی که مقدار کراتینین از قبل مشخص باشد و حقیقت زمین با استفاده از رابطه (1) محاسبه شود، بی‌معنی است. بنابراین، پیش فرض آثار منتشر شده قبلی ناقص است.

علاوه بر این، ما دریافتیم که روش دیگری برای اندازه گیری  همانطور که در کار توضیح داده شده است وجود دارد.

ویژگی های سن، جنسیت، وجود دیابت، فشار خون بالا، کم خونی و بیماری های قلبی عروقی برای اندازه گیری امتیاز خطر  با استفاده از یک روش جستجوی شبکه ای ساده استفاده می شود.

از این کار، ما نشانه‌ای دریافت کردیم که وضعیت سایر بیماری‌های رایج احتمالاً می‌تواند برای اندازه‌گیری خطر مورد استفاده قرار گیرد، جایی که پارامترها شامل کراتینین نمی‌شوند.

روش موجود وجود بیماری های مرتبط مانند دیابت یا فشار خون را به عنوان متغیرهای دوتایی 0/1 برای پیش بینی خطر درمان می کند.

جزئیات مربوط به آزمایشات تشخیصی مانند قند خون، فشار خون، هموگلوبین معمولاً در موارد یک بررسی منظم سلامت گنجانده شده است. سایر اقدامات فیزیکی رایج (کمر، BMI، بینایی و غیره) ممکن است با خطر  مرتبط باشد.

بنابراین، ما ایده ای به دست آوردیم تا امتحان کنیم که آیا می توانیم خطر  را با استفاده از این داده های احتمالاً مرتبط و معمول در دسترس پیش بینی کنیم.
در این کار، ما یک روش دو مرحله‌ای را برای ارزیابی خطر  در شرایطی که داده‌های کراتینین در دسترس نیست، پیشنهاد کردیم.

در مرحله اول، یک مدل رگرسیون یادگیری ماشین برای پیش‌بینی ارزش کراتینین با استفاده از داده‌های نظارت شده استفاده می‌شود. از آنجایی که مقادیر کراتینین در داده‌ها، که متغیر هدف است، بسیار نامتعادل است،

ما از یک روش نمونه‌گیری کم استفاده کردیم و یک تابع ضرر میانگین مربعات خطای حساس به هزینه  را برای مقابله با مشکل پیشنهاد کردیم.

با توجه به انتخاب مدل، در این کار از سه مدل یادگیری ماشین استفاده کردیم:

یک مدل درخت کیسه‌ای معروف به جنگل تصادفی، یک مدل درخت تقویت‌کننده به نام ، یک مدل مبتنی بر شبکه عصبی به نام آرامیس برای بهبود نتیجه پیش‌بینی کراتینین، نتایج هشت پیش‌بینی‌کننده را به‌عنوان یادگیری ترکیبی خود به‌طور میانگین محاسبه کردیم

. در نهایت، کراتینین پیش‌بینی‌شده و 23 ویژگی اصلی برای پیش‌بینی خطر  به روش دوتایی استفاده می‌شوند.
مقاله بصورت زیر مرتب شده است.

در بخش 2، مجموعه داده ها و نکات برجسته آزمایش را شرح می دهیم. بخش 3 روش پیشنهادی را تشریح می کند. جزئیات و نتایج تجربی در بخش 4 مورد بحث قرار می گیرند. این مقاله در بخش 5 با برخی ایده ها در مورد جهت آینده کار به پایان می رسد.

.