Hiding in plain sight: finding undiagnosed chronic kidney disease without kidney function data through a machine learning model
Deze studie toont aan dat een bevroren, nierfunctie-onafhankelijk machine learning-model dat oorspronkelijk in Latijns-Amerika is ontwikkeld, effectief de testprioritering voor niet-gediagnosticeerde chronische nierziekte in een diverse Amerikaanse populatie kan uitvoeren door een sterke risicodiscriminatie te behouden, hoewel het herkalibratie vereist om nauwkeurige waarschijnlijkheidsschattingen over verschillende demografische subgroepen heen te waarborgen.
Oorspronkelijk artikel gelicentieerd onder CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). Dit is een AI-gegenereerde uitleg van het onderstaande artikel. Het is niet geschreven of goedgekeurd door de auteurs. Raadpleeg het oorspronkelijke artikel voor technische nauwkeurigheid. Lees de volledige disclaimer
Miljoenen mensen over de hele wereld leven met een stille bedreiging voor hun gezondheid: chronische nierziekte. Deze aandoening beschadigt langzaam de organen die afvalstoffen uit het bloed filteren, maar het produceert vaak geen symptomen totdat het stadium zeer gevorderd is. Omdat de ziekte zo stil is, weten de meeste mensen die er last van hebben niet eens dat het bestaat. Dit is een kritiek probleem omdat de moderne geneeskunde nu effectieve, goedkope behandelingen biedt die de schade kunnen vertragen of stoppen, maar deze behandelingen werken alleen als artsen de patiënten vroegtijdig kunnen vinden. De uitdaging is dat het controleren van de nierfunctie van iedereen duur en inefficiënt is. Artsen hebben een manier nodig om te bepalen welke mensen in een drukke wachtkamer het meest waarschijnlijk de verborgen ziekte hebben, zodat zij de prioriteit kunnen krijgen bij het testen. Hier komen computermodellen in beeld, die fungeren als een filter om door enorme hoeveelheden routinematige gezondheidsinformatie te zoeken om de mensen te vinden die hulp nodig hebben.
Een team van onderzoekers zette zich scharpe om te testen of een specifiek computermodel, dat oorspronelijk was gebouwd met gegevens uit Latijns-Amerika, succesvol deze verborgen gevallen kon vinden in een totaal andere populatie: volwassenen in de Verenigde Staten. Het model was ontworpen om naar de basisgegevens van iemands gezondheid te kijken — zoals leeftijd, bloeddruk, gewicht, en of iemand diabetes of een hoge bloeddruk heeft — zonder ooit een resultaat van een nierfunctietest nodig te hebben. Het doel was om te zien of het model mensen op risico kon rangschikken, waarbij de mensen die het meest waarschijnlijk de ziekte hebben bovenaan de lijst worden geplaatst, zelfs als het model nooit op Amerikaanse patiënten was getraind. De onderzoekers pasten dit instrument toe op een enorme, diverse groep van meer dan 228.000 Amerikaanse volwassenen die geen eerdere diagnose van nierziekte hadden, maar wel een routinematige bloedtest in hun dossier hadden staan. Ze wilden zien of het model een klein deel van deze mensen kon identificeren die daadwerkelijk een matig tot ernstig verminderde nierfunctie hadden die onopgemerkt was gebleven.
De resultaten lieten zien dat het model verrassend goed functioneerde in zijn primaire taak: het sorteren van mensen op risico. Wanneer de onderzoekers naar de bovenste 5% van de mensen keken die het model als hoogste risico markeerde, ving het bijna een kwart van alle verborgen gevallen van nierziekte in de groep op. Als ze naar de bovenste 10% keken, vond het meer dan 40% van de gevallen. In de bovenste 20% identificeerde het model meer dan 60% van alle niet-gediagnosticeerde gevallen. Dit betekent dat het model de verborgen patiënten succesvol heeft geconcentreerd in een kleine groep, waardoor het voor artsen veel gemakkelijker wordt om hun beperkte testmiddelen te richten waar ze het meeste goed doen. Het model voerde deze taak uit met een hoge mate van nauwkeurigheid, waarbij het onderscheid maakte tussen mensen met de ziekte en mensen zonder de ziekte, veel beter dan bij een willekeurige selectie. Het was zelfs effectiever in de risicogroep van mensen die al diabetes of een hoge bloeddruk hadden, wat precies de populatie is waar screening het hardst nodig is.
De studie vond echter ook een specifieke beperking die gebruikelijk is bij het verplaatsen van medische instrumenten van het ene land naar het andere. Hoewel het model uitstekend was in het rangschikken van mensen van hoog naar laag risico, was het niet perfect in het voorspellen van de exacte waarschijnlijkheid van de ziekte. In de Amerikaanse groep had het model de neiging om te voorspellen dat het risico hoger was dan het in werkelijkheid was. Bijvoorbeeld, als het model voorspelde dat een bepaald aantal mensen de ziekte zou hebben, was het werkelijke aantal lager. Dit is geen fout in de logica van het model, maar eerder een verschil in hoe algemeen de ziekte voorkomt tussen de twee populaties. De onderzoekers ontdekten dat deze fout volledig kon worden opgelost door een eenvoudige wiskundige aanpassing, bekend als recalibratie, die de voorspellingen van het model afstemde op de lokale realiteit zonder het vermogen om patiënten te rangschikken te veranderen. Deze aanpassing was cruciaal omdat dit betekende dat het model in de Verenigde Staten met dezelfde hoge prestaties kon worden gebruikt als in Latijns-Amerika, mits de lokale cijfers werden bijgewerkt.
De studie keek ook nauwgezet naar of het model verschillende groepen mensen eerlijk behandelde. Ze onderzochten of het model even goed werkte voor mannen en vrouwen, voor mensen van verschillende leeftijden en voor mensen uit verschillende raciale en etnische achtergronden. Het rangschikkingsvermogen bleef sterk over al deze groepen, wat betekent dat het model geen specifieke demografische groep onrechtvaardig negeerde. De nauwkeurigheid van de risicovoorspellingen varieerde echter tussen groepen. Zo waren de voorspellingen van het model zeer nauwkeurig voor zwarte of Afro-Amerikaanse deelnemers, maar overschatte het de risico's voor witte en Hispanic/Latino deelnemers. Deze variatie kwam voort uit het feit dat de werkelijke prevalentie van niet-gediagnosticeerde nierziekte verschilde tussen deze groepen. De onderzoekers concludeerden dat om dit hulpmiddel eerlijk en effectief in te zetten in een diverse populatie, artsen specifieke aanpassingen voor verschillende groepen zouden moeten toepassen in plaats van één enkele instelling die voor iedereen geldt.
Uiteindelijk demonstreert dit onderzoek dat een hulpmiddel dat in een deel van de wereld is gebouwd, succesvol kan worden aangepast om verborgen ziekten in een ander deel van de wereld te vinden, mits het wordt afgestemd op lokale omstandigheden. Het model biedt een praktische, goedkope manier om mensen te identificeren die een bevestigende niertest nodig hebben, vooral in omgevingen waar de middelen schaars zijn of waar veel mensen nog nooit zijn gescreend. Door gebruik te maken van routinematige gezondheidsgegevens die al worden verzameld tijdens reguliere doktersbezoeken, kan het model de medische aandacht richten op de mensen die het het hardst nodig hebben, wat potentieel duizenden gevallen van nierfalen kan voorkomen die onopgemerkt blijven. De studie bevestigt dat hoewel de exacte cijfers een lokale aanpassing kunnen vereien, de kerncapaciteit om de naald in de hooiberg te vinden goed meereist over grenzen heen, wat een nieuwe weg biedt om de kloof in de zorg voor nierziekten te dichten.
Verdrinkt u in papers in uw vakgebied?
Ontvang dagelijkse digests van de nieuwste papers die bij uw onderzoekswoorden passen — met technische samenvattingen, in uw taal.