ترجمه فارسی مقاله یک مدل یادگیری عمیق برای زیرگروه بندی بیمار و تجزیه و تحلیل بقا در مسیر بیماری کلیوی

چکیده

Chronic kidney disease (CKD) is a global public health problem, affecting over 10% of the general population worldwide. CKD patients face an increased risk of progressing to end-stage kidney failure (ESKF), which is associated with higher hospitalization rates and cardiovascular mortality. The estimated glomerular filtration rate (eGFR) is a key indicator of kidney function and a critical predictor of CKD progression. However, existing predictive models often fail to incorporate the dynamic changes in eGFR over time, leading to less accurate forecasts of disease progression. In this study, we develop a novel deep learning model, the time-dependent LSTM (TdLSTM), to improve the prediction of eGFR and time-to-ESKF by effectively handling time-varying variables and irregular measurement time intervals in longitudinal study. Our method captures the evolving patterns of CKD progression, enabling more accurate predictions of patient outcomes. The specifically designed survival time estimate approach yields accurate predictions of the time of reaching the end stage of the disease. We trained and validated the TdLSTM model using data from two cohorts of CKD patients, demonstrating its superiority over existing models in predicting CKD progression and identifying distinct patient subtypes with varying progression rates. The proposed TdLSTM model enhances our ability to predict CKD outcomes by integrating temporal information into the predictive process, ultimately generating better prediction accuracy on the redefined time-varying evaluation metrics such as AUC and concordance index.

چکیده به فارسی (ترجمه ماشینی)

بیماری مزمن کلیه (CKD) یک مشکل بهداشت عمومی جهانی است که بیش از 10 ٪ از جمعیت عمومی در سراسر جهان را تحت تأثیر قرار می دهد.بیماران مبتلا به CKD با افزایش خطر ابتلا به نارسایی کلیه مرحله نهایی (ESKF) روبرو هستند که با میزان بستری در بیمارستان و مرگ و میر قلبی عروقی همراه است.میزان فیلتراسیون گلومرولی تخمین زده شده (EGFR) یک شاخص اصلی عملکرد کلیه و یک پیش بینی کننده مهم پیشرفت CKD است.با این حال ، مدل های پیش بینی کننده موجود اغلب در ترکیب تغییرات پویا در EGFR در طول زمان ناکام هستند و منجر به پیش بینی های دقیق کمتر از پیشرفت بیماری می شوند.در این مطالعه ، ما یک مدل یادگیری عمیق جدید ، LSTM وابسته به زمان (TDLSTM) ، برای بهبود پیش بینی EGFR و زمان به ESKF با استفاده از متغیرهای متغیر زمان و بازه های زمان سنجش نامنظم در مطالعه طولی ، توسعه می دهیم.روش ما الگوهای در حال تحول پیشرفت CKD را ضبط می کند و پیش بینی های دقیق تری از نتایج بیمار را امکان پذیر می کند.رویکرد برآورد زمان بقا که به طور خاص طراحی شده است ، پیش بینی های دقیقی از زمان رسیدن به مرحله پایان بیماری می دهد.ما مدل TDLSTM را با استفاده از داده های دو گروه از بیماران مبتلا به CKD آموزش داده و تأیید کردیم ، و برتری آن را نسبت به مدلهای موجود در پیش بینی پیشرفت CKD و شناسایی زیرگروه های بیمار مجزا با میزان پیشرفت متفاوت نشان دادیم.مدل TDLSTM پیشنهادی توانایی ما در پیش بینی نتایج CKD را با ادغام اطلاعات زمانی در فرآیند پیش بینی افزایش می دهد ، در نهایت باعث ایجاد دقت پیش بینی بهتر در معیارهای ارزیابی متغیر بازخوانی شده مانند AUC و شاخص کنفرانس می شود.