Het nieuwe Kidney Klinrisk-algoritme, waarin 8 routinematig verzamelde klinische variabelen zijn opgenomen, is nauwkeurig in het voorspellen van een aanhoudende eGFR-daling met 40% of meer en/of het ontstaan van eindstadiumnierfalen over een breed scala aan eGFR-waarden. Dat vertelde Aurora Caldinelli (Karolinska Institutet, Stockholm) in haar ‘focussed oral’ presentatie.1
Het onlangs ontwikkelde machine learning-model Klinrisk kan progressieve achteruitgang van de nierfunctie nauwkeurig voorspellen, maar vereist wel 20 laboratoriumparameters voor een optimale voorspelling. Caldinelli en collega’s ontwikkelden daarom het Kidney Klinrisk-algoritme, een vereenvoudigde versie van Klinrisk. Dit Kidney Klinrisk-algoritme werd eerst getraind (n = 58.834) en getuned (n = 23.501) met een populatiecohort uit Manitoba (Canada) en vervolgens extern gevalideerd in het SCREAM-cohort uit Stockholm (Zweden; n = 10.434). De primaire uitkomstmaat was progressieve daling van de nierfunctie: aanhoudende eGFR-daling met ≥ 40% en/of eindstadiumnierfalen (ESKD).
De voorspellende capaciteit van het Kidney Klinrisk-algoritme bleef behouden wanneer het aantal voorspellers werd teruggebracht naar 8. Doordat minder laboratoriumparameters nodig zijn, is het algoritme makkelijker toepasbaar in de klinische praktijk. De onderzoekers gebruikten cumulatieve event probability-curves om de kans op progressieve nierfunctiedaling over 5 jaar te schatten voor vooraf gedefinieerde risicogroepen met een laag (< 3%), matig (3-13%) en hoog (≥ 13%) risico. Deze curves lieten in beide cohorten een duidelijke scheiding zien tussen de risicocategorieën. In het tuningcohort behaalde het algoritme een area under the curve (AUC) van 0,84 (95%-BI 0,83-0,85) en een Brier-score van 0,06 (95%-BI 0,06-0,06) en bij de externe validatie een AUC van 0,84 (95%-BI 0,83-0,86) en een Brier-score van 0,12 (95%-BI 0,12-0,13). Kalibratieplots toonden een goede overeenkomst tussen het voorspelde en waargenomen risico. Bij de lage en hoge risicodrempels (< 3 en ≥ 13%) vertoonde het model een sensitiviteit van 91,7 (95%-BI 90,2-93,2) in het tuningcohort en 96,0% (95%-BI 94,9-97,2) in het externe validatiecohort. De specificiteit was respectievelijk 87,2 (95%-BI 86,6-87,8) en 76,0% (95%-BI 73,7-78,4).
Bron:
Caldinelli A, Bamforth R, Faucon A, et al. Development and validation of the Kidney Klinrisk algorithm: a machine learning model for predicting progressive kidney function decline. ERA Congress 2026, abstract #777.