Een nieuw predictiemodel heeft een uitstekend onderscheidend vermogen om de tijd tot nierfalen te voorspellen bij patiënten met chronische nierschade. Zo kan tijdig gestart worden met de voorbereiding van nierfunctievervangende therapie. Het abstract van Tamas Szili-Torok (UMCG) werd beoordeeld als een van de beste abstracts gepresenteerd door jonge onderzoekers.
Bij patiënten met chronische nierschade (CNS) is het belangrijk om tijdig te beginnen met de voorbereiding van nierfunctievervangende therapie. Daarvoor moeten artsen goed kunnen inschatten hoelang het nog duurt voordat dialyse of niertransplantatie nodig is. Omdat er nog geen algoritme bestond dat de absolute tijd tot nierfalen kon voorspellen bij CNS-patiënten, ontwikkelden Szili-Torok en zijn collega’s met behulp van machinelearning een model hiervoor.
De onderzoekers gebruikten data van een Italiaanse multicenter cohortstudie met 3599 volwassen CNS-patiënten (stadium G3-G5) die minimaal 6 maanden werden gevolgd (trainingsdata). Ze ontwikkelden een bootstrap-aggregating extreme gradient boosting (XGBoost-) model en valideerden de prestaties daarvan extern in een onafhankelijk nationaal cohort (Nephro FED II, n = 346) én in een internationaal cohort uit Nederland (n = 297).
In de trainingsdata ontwikkelden 728 patiënten (20,2%) nierfalen gedurende een mediane follow-upduur van 37,3 maanden (interkwartielafstand 25,2-54,9). De kenmerken eGFR, proteïnurie, leeftijd, plasmafosfaatconcentratie, plasmacalciumconcentratie, BMI, hemoglobine en totaal cholesterol werden geselecteerd voor het uiteindelijke model. De externe validatie liet zien dat het model een uitstekend onderscheidend vermogen had (c-index: nationaal validatiecohort 0,849; internationaal validatiecohort 0,878) en een goede performance door de tijd. Door de voorspelde en geobserveerde tijden tot nierfalen met elkaar te vergelijken werd duidelijk dat het model acceptabel gekalibreerd is in beide externe validatiecohorten. Uit de Shapley additive explanations (SHAP-) waarden bleek dat eGFR, proteïnurie, BMI en leeftijd de eigenschappen waren die de meeste impact hadden op de voorspelling.
Bron: