Red neuronal artificial para la predicción de mortalidad de pacientes con enfermedad renal crónica
Palabras clave:
aprendizaje automático, enfermedad renal crónica, hemodiálisis, inteligencia artificial, mortalidad, redes neuronales de la computación.Resumen
Introducción: La mortalidad temprana en los pacientes con enfermedad renal crónica representa un gran problema de salud, por lo que el diseño de modelos pronósticos novedosos constituye una prioridad.
Objetivo: Diseñar una red neuronal artificial para la predicción de mortalidad en pacientes con enfermedad renal crónica en hemodiálisis.
Métodos: Se realizó un estudio analítico, de cohorte prospectivo, en pacientes con enfermedad renal crónica en hemodiálisis durante el período del 1 de enero de 2013 al 31 de diciembre de 2017. Se analizaron un total de 36 atributos en 392 pacientes. Se utilizó el perceptrón multicapa para el diseño de una red neuronal artificial compuesta por 12 variables. Finalmente, se evaluó la tabla de clasificación, la capacidad discriminatoria del algoritmo y la importancia normalizada de las variables pronósticas.
Resultados: La red neuronal artificial presentó porcentajes globales de clasificación correcto de un 96,3 % en la muestra de entrenamiento y un 96,7 % en la muestra de validación. La capacidad discriminatoria fue muy buena, área COR de 0,989. Las variables pronósticas de mortalidad de mayor importancia normalizada fueron la enfermedad cardiovascular, la albúmina y la sepsis.
Conclusiones: La red neuronal artificial contribuye a la estratificación del riesgo de mortalidad de los pacientes con enfermedad renal crónica en hemodiálisis. El modelo presenta buena capacidad discriminatoria e indicadores de eficacia estadística. Las variables pronósticas identificadas son de fácil determinación e interpretación, por lo que se considera como una herramienta predictiva de útil implementación en la toma de decisiones médicas en el ámbito clínico.
Descargas
Los datos de descargas todavía no están disponibles.
Citas
1. Bello A, Okpechi I, Osman M, Cho Y, Htay H, Jha V, et al. Epidemiology of haemodialysis outcomes [Internet]. Nature Reviews Nephrology. 2022; 18(6):378-95. DOI: 10.1038/s41581-022-00542-7
2. Anuario Estadístico de Salud, 2022. Ministerio de Salud Pública. Dirección de Registros médicos y Estadísticas de salud [Internet]. La Habana, 2023 [acceso: 15/11/2023]. Disponible en: http://bvscuba.sld.cu/anuario-estadistico-de-cuba/
3. Koteluk O, Wartecki A, Mazurek S, Kołodziejczak I, Mackiewicz A. How Do Machines Learn? Artificial Intelligence as a New Era in Medicine [Internet]. J Pers Med. 2021; 11(1):1-22. DOI: 10.3390/jpm11010032
4. Sarker IH. Machine learning: algorithms, real-world applications and research directions [Internet]. SN Computer Science. 2021; 2(3):1-21. DOI: 10.1007/s42979-021-00592-x
5. Park S, Park BS, Lee YJ, Kim H, Park JH, Ko J, et al. Artificial intelligence with kidney disease A scoping review with bibliometric analysis, PRISMA-ScR [Internet]. Medicine. 2021; 100(14):e25422. DOI: 10.1097/MD.0000000000025422
6. Khazaei S, Najafi Ghobadi S, Ramezani Doroh V. Construction data mining methods in the prediction of death in hemodialysis patients using support vector machine, neural network, logistic regression and decision tree [Internet]. J Prev Med Hyg. 2021; 62(1):E222-30. DOI: 10.15167/2421-4248/jpmh2021.62.1.1837
7. Gamboa Graus ME. Estadística aplicada a la investigación educativa [Internet]. Revista Dilemas Contemporáneos: Educación, política y valores. 2018 [acceso:15/11/2023]; 5(2):1-32. Disponible en: http://www.dilemascontemporaneoseducacionpoliticayvalores.com/i-ndex.php/dilemas/article/view/427/443
8. de Arriba G, Gutiérrez Ávila G, Torres Guinea M, Moreno Alia I, Herruzo JA, Rincón Ruiz B, et al. La mortalidad de los pacientes en hemodiálisis está asociada con su situación clínica al comienzo del tratamiento [Internet]. Nephrology. 2021; 41(4):461-6. DOI: 10.1016/j.nefro.2020.11.006
9. Ruperto M, Barril G. Nutritional status, body composition, and inflammation profile in older patients with advanced chronic kidney disease stage 4-5: A case control study [Internet]. Nutrients. 2022; 14(17):3650. DOI: 10.3390/nu14173650
10. Matsushita K, Ballew S, Wang A. Epidemiology and risk of cardiovascular disease in populations with chronic kidney disease [Internet]. Nature Reviews Nephrology. 2022; 18(11):696-707. DOI: 10.1038/s41581-022-00616-6
11. Lee S, Kang S, Joo Y. Smoking, smoking cessation, and progression of chronic kidney disease: results form KNOW-CKD study [Internet]. Nicotine & Tobacco Research. 2021; 23(1):92-8. DOI: 10. 1093/ntr/ntaa071
12. Liang X, Ye M, Tao M. The association between dyslipidemia and the incidence of chronic kidney disease in the general Zhejiang population: a retrospective study [Internet]. BMC Nephrol. 2020; 21(252):1-9. DOI: 10. 1186/s12882-020-01907-5
13. Feng-Ching S, Yi-Wen Ch, Mei-Chuan K. U-shaped association between waist-to-hip ratio and all-cause mortality in stage 3-5 chronic kidney disease patients with body mass index paradox [Internet]. J Pers Med. 2021; 11(12):1355. DOI: 10.3390/jpm11121355
14. Jan M, Deseo J. Balancing Nephrology Referrals With Nephrologist Capacity to Decrease Emergency Dialysis Starts [Internet]. Ki Reports. 2020; 6(1):7-10. DOI: 10.1016/j.ekir.2020.11.014
15. Hsu C, Parikh R, Pravoverov L. Implication of trends in timing of dialysis initiation for incidence of end-stage kidney disease [Internet]. JAMA Intern Med. 2020; 180(12):1647-54. DOI: 10.1001/jamainternmed.2020.5009
16. Bossola M, Pepe G, Antocicco M, Severino A, Di Stasio E. Interdialytic weight gain and educational/cognitive, counseling/behavioral and psychological/affective interventions in patients on chronic hemodialysis: a systematic review and meta-analysis [Internet]. Journal of Nephrology. 2022; 35(1):1973-83. DOI: 10.1007/s40620-022-01450-6
17. Romero J, León E. Algoritmos en el manejo de muestras y variables en bioestadística [Internet].16 de Abril. 2018 [acceso:15/11/2023]; 57(269):177-194. Disponible en: https://rev16deabril.sld.cu/index.php/16_04/article/view/770
18. Rossello X, González-Del-Hoyo M. Análisis de supervivencia en investigación cardiovascular (I): lo esencial [Internet]. Rev Esp Cardiol. 2022; 75(1):67-76. DOI: 10.1016/j.recesp.2021.05.017
19. Schlüter M, Nlte G, Murtovi A, Steffen B. Towards rigorous understanding of neural networks via semantics-preserving transformations [Internet]. International Journal on Software Tools for Technology Transfer. 2023; 25(3):301-27. DOI: 10.1007/s10009-023-00700-7
20. Celard P, Lorenzo Iglesias E, Sorribes-Fernández JM, Romero R, Seara Vieira A, Borrajo L. A survey on deep learning applied to medical images: from simple artificial networks to generative models. [Internet]. Neural Computing and Applications. 2023; 35(3):2291-323. DOI: 10.1007/s00521-022-07953-4
21. Bai Q, Su C, Tang W, Li Y. Machine learning to predict end stage kidney disease in chronic kidney disease [Internet]. Scientific Reports. 2022; 12(1):8377. DOI: 10.1038/s41598-022-12316-z
22. Elbasha A, Naga Y, Othman M, Moussa N, Elwakil H. A step towards the application of an artificial intelligence model in the prediction of intradialytic complications [Internet]. Alexandria Journal of Medicine. 2022; 58(1):18-30. DOI: 10.1080/20905068.2021.2024349
23. Singh V, Asari V, Rajasekaran R. A Deep Neural Network for Early Detection and Prediction of Chronic Kidney Disease [Internet]. Diagnostics. 2022; 12(1):1-22. DOI: 10.3390/diagnostics12010116
24. Liu H, Wang R. Associations between the serum magnesium and all-cause or cardiovascular mortality in chronic kidney disease and end-stage renal disease patients. A meta-analysis [Internet]. Medicine. 2021; 100(45):e27486. DOI: 10.1097/MD.0000000000027486
25. Zeng YQ, Qin ZA, Guo ZW. Non- linear relationship between basal serum albumin concentration and cardiac arrest in critically ill patients with end- stage renal disease: a cross-sectional study [Internet]. BMJ Open. 2022; 12(2):e051721. DOI: 10.1136/bmjopen-2021-051721
26. Hong YA, Ban TH, Chae Yeong K, Hwang SD, Choi SR, Lee H, et al. Trends in epidemiology characteristics of end-stage renal disease from 2019 Korean Renal Data System (KORDS) [Internet]. Kidney Res Clin Pract. 2021; 40(1):52-61. DOI: 10.23876/j.krcp.20.202
2. Anuario Estadístico de Salud, 2022. Ministerio de Salud Pública. Dirección de Registros médicos y Estadísticas de salud [Internet]. La Habana, 2023 [acceso: 15/11/2023]. Disponible en: http://bvscuba.sld.cu/anuario-estadistico-de-cuba/
3. Koteluk O, Wartecki A, Mazurek S, Kołodziejczak I, Mackiewicz A. How Do Machines Learn? Artificial Intelligence as a New Era in Medicine [Internet]. J Pers Med. 2021; 11(1):1-22. DOI: 10.3390/jpm11010032
4. Sarker IH. Machine learning: algorithms, real-world applications and research directions [Internet]. SN Computer Science. 2021; 2(3):1-21. DOI: 10.1007/s42979-021-00592-x
5. Park S, Park BS, Lee YJ, Kim H, Park JH, Ko J, et al. Artificial intelligence with kidney disease A scoping review with bibliometric analysis, PRISMA-ScR [Internet]. Medicine. 2021; 100(14):e25422. DOI: 10.1097/MD.0000000000025422
6. Khazaei S, Najafi Ghobadi S, Ramezani Doroh V. Construction data mining methods in the prediction of death in hemodialysis patients using support vector machine, neural network, logistic regression and decision tree [Internet]. J Prev Med Hyg. 2021; 62(1):E222-30. DOI: 10.15167/2421-4248/jpmh2021.62.1.1837
7. Gamboa Graus ME. Estadística aplicada a la investigación educativa [Internet]. Revista Dilemas Contemporáneos: Educación, política y valores. 2018 [acceso:15/11/2023]; 5(2):1-32. Disponible en: http://www.dilemascontemporaneoseducacionpoliticayvalores.com/i-ndex.php/dilemas/article/view/427/443
8. de Arriba G, Gutiérrez Ávila G, Torres Guinea M, Moreno Alia I, Herruzo JA, Rincón Ruiz B, et al. La mortalidad de los pacientes en hemodiálisis está asociada con su situación clínica al comienzo del tratamiento [Internet]. Nephrology. 2021; 41(4):461-6. DOI: 10.1016/j.nefro.2020.11.006
9. Ruperto M, Barril G. Nutritional status, body composition, and inflammation profile in older patients with advanced chronic kidney disease stage 4-5: A case control study [Internet]. Nutrients. 2022; 14(17):3650. DOI: 10.3390/nu14173650
10. Matsushita K, Ballew S, Wang A. Epidemiology and risk of cardiovascular disease in populations with chronic kidney disease [Internet]. Nature Reviews Nephrology. 2022; 18(11):696-707. DOI: 10.1038/s41581-022-00616-6
11. Lee S, Kang S, Joo Y. Smoking, smoking cessation, and progression of chronic kidney disease: results form KNOW-CKD study [Internet]. Nicotine & Tobacco Research. 2021; 23(1):92-8. DOI: 10. 1093/ntr/ntaa071
12. Liang X, Ye M, Tao M. The association between dyslipidemia and the incidence of chronic kidney disease in the general Zhejiang population: a retrospective study [Internet]. BMC Nephrol. 2020; 21(252):1-9. DOI: 10. 1186/s12882-020-01907-5
13. Feng-Ching S, Yi-Wen Ch, Mei-Chuan K. U-shaped association between waist-to-hip ratio and all-cause mortality in stage 3-5 chronic kidney disease patients with body mass index paradox [Internet]. J Pers Med. 2021; 11(12):1355. DOI: 10.3390/jpm11121355
14. Jan M, Deseo J. Balancing Nephrology Referrals With Nephrologist Capacity to Decrease Emergency Dialysis Starts [Internet]. Ki Reports. 2020; 6(1):7-10. DOI: 10.1016/j.ekir.2020.11.014
15. Hsu C, Parikh R, Pravoverov L. Implication of trends in timing of dialysis initiation for incidence of end-stage kidney disease [Internet]. JAMA Intern Med. 2020; 180(12):1647-54. DOI: 10.1001/jamainternmed.2020.5009
16. Bossola M, Pepe G, Antocicco M, Severino A, Di Stasio E. Interdialytic weight gain and educational/cognitive, counseling/behavioral and psychological/affective interventions in patients on chronic hemodialysis: a systematic review and meta-analysis [Internet]. Journal of Nephrology. 2022; 35(1):1973-83. DOI: 10.1007/s40620-022-01450-6
17. Romero J, León E. Algoritmos en el manejo de muestras y variables en bioestadística [Internet].16 de Abril. 2018 [acceso:15/11/2023]; 57(269):177-194. Disponible en: https://rev16deabril.sld.cu/index.php/16_04/article/view/770
18. Rossello X, González-Del-Hoyo M. Análisis de supervivencia en investigación cardiovascular (I): lo esencial [Internet]. Rev Esp Cardiol. 2022; 75(1):67-76. DOI: 10.1016/j.recesp.2021.05.017
19. Schlüter M, Nlte G, Murtovi A, Steffen B. Towards rigorous understanding of neural networks via semantics-preserving transformations [Internet]. International Journal on Software Tools for Technology Transfer. 2023; 25(3):301-27. DOI: 10.1007/s10009-023-00700-7
20. Celard P, Lorenzo Iglesias E, Sorribes-Fernández JM, Romero R, Seara Vieira A, Borrajo L. A survey on deep learning applied to medical images: from simple artificial networks to generative models. [Internet]. Neural Computing and Applications. 2023; 35(3):2291-323. DOI: 10.1007/s00521-022-07953-4
21. Bai Q, Su C, Tang W, Li Y. Machine learning to predict end stage kidney disease in chronic kidney disease [Internet]. Scientific Reports. 2022; 12(1):8377. DOI: 10.1038/s41598-022-12316-z
22. Elbasha A, Naga Y, Othman M, Moussa N, Elwakil H. A step towards the application of an artificial intelligence model in the prediction of intradialytic complications [Internet]. Alexandria Journal of Medicine. 2022; 58(1):18-30. DOI: 10.1080/20905068.2021.2024349
23. Singh V, Asari V, Rajasekaran R. A Deep Neural Network for Early Detection and Prediction of Chronic Kidney Disease [Internet]. Diagnostics. 2022; 12(1):1-22. DOI: 10.3390/diagnostics12010116
24. Liu H, Wang R. Associations between the serum magnesium and all-cause or cardiovascular mortality in chronic kidney disease and end-stage renal disease patients. A meta-analysis [Internet]. Medicine. 2021; 100(45):e27486. DOI: 10.1097/MD.0000000000027486
25. Zeng YQ, Qin ZA, Guo ZW. Non- linear relationship between basal serum albumin concentration and cardiac arrest in critically ill patients with end- stage renal disease: a cross-sectional study [Internet]. BMJ Open. 2022; 12(2):e051721. DOI: 10.1136/bmjopen-2021-051721
26. Hong YA, Ban TH, Chae Yeong K, Hwang SD, Choi SR, Lee H, et al. Trends in epidemiology characteristics of end-stage renal disease from 2019 Korean Renal Data System (KORDS) [Internet]. Kidney Res Clin Pract. 2021; 40(1):52-61. DOI: 10.23876/j.krcp.20.202
Publicado
28.06.2024
Cómo citar
1.
Escalona González SO, Caballero Mota Y, Rodríguez Alvarez Y, León Acebo M, González Milán ZC, Ricardo Paez B, et al. Red neuronal artificial para la predicción de mortalidad de pacientes con enfermedad renal crónica. Rev Cubana Med Milit [Internet]. 28 de junio de 2024 [citado 3 de abril de 2025];53(3):e024038408. Disponible en: https://revmedmilitar.sld.cu/index.php/mil/article/view/38408
Número
Sección
Artículo de Investigación
Licencia
Aquellos autores/as que tengan publicaciones con esta revista, aceptan los términos siguientes:- Los autores/as conservarán sus derechos de autor y garantizarán a la revista el derecho de primera publicación de su obra, el cual estará simultáneamente sujeto a la Licencia de reconocimiento de Creative Commons. Los contenidos que aquí se exponen pueden ser compartidos, copiados y redistribuidos en cualquier medio o formato. Pueden ser adaptados, remezclados, transformados o creados otros a partir del material, mediante los siguientes términos: Atribución (dar crédito a la obra de manera adecuada, proporcionando un enlace a la licencia, e indicando si se han realizado cambios); no-comercial (no puede hacer uso del material con fines comerciales) y compartir-igual (si mezcla, transforma o crea nuevo material a partir de esta obra, podrá distribuir su contribución siempre que utilice la misma licencia que la obra original).
- Los autores/as podrán adoptar otros acuerdos de licencia no exclusiva de distribución de la versión de la obra publicada (p. ej.: depositarla en un archivo telemático institucional o publicarla en un volumen monográfico) siempre que se indique la publicación inicial en esta revista.
- Se permite y recomienda a los autores/as difundir su obra a través de Internet (p. ej.: en archivos telemáticos institucionales o en su página web) antes y durante el proceso de envío, lo cual puede producir intercambios interesantes y aumentar las citas de la obra publicada.
