Red neuronal artificial para la predicción de mortalidad de pacientes con enfermedad renal crónica

Sergio Orlando Escalona González, Yailé Caballero Mota, Yanela Rodríguez Alvarez, Mirna León Acebo, Zoraida Caridad González Milán, Beatriz Ricardo Paez, Katiuska Danay Rodríguez Espinosa

Texto completo:

HTML PDF

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.

Palabras clave

aprendizaje automático; enfermedad renal crónica; hemodiálisis; inteligencia artificial; mortalidad; redes neuronales de la computación.

Referencias

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

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/

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

Enlaces refback

  • No hay ningún enlace refback.


URL de la licencia: https://creativecommons.org/licenses/by-nc-sa/4.0/deed.es