Développement d'un outil de prédiction de la mortalité toutes causes à 2 ans pour les patients insuffisants rénaux stades 4-5 à l'aide de quatre modèles de Machine Learning. (French)

L'objectif de cette étude était de développer un outil permettant de prédire le risque de mortalité toutes causes à 2 ans chez les patients insuffisants rénaux de stades 4-5. L'originalité de cette étude est l'utilisation d'une base de données virtuelle (développée par imputation bayésienne à partir d'une base de 534 patients) et de modèles de Machine Learning , ainsi que l'intégration de variables d'intérêt néphrologique pour la création de l'outil de prédiction clinique. Les performances de quatre modèles différents (réseau Bayésien, apprentissage profond, régression logistique, forêt aléatoire) pour créer quatre outils ont été comparées par validation croisée 10 fois. Le modèle qui présente les meilleures performances a été sélectionné puis optimisé à l'aide d'une base de données d'apprentissage virtuelle et le nombre de variables explicatives a été réduit. La validité interne de l'outil optimisé a été validée par une validation croisée 10 fois. La régression logistique et le modèle Bayésien ont obtenu les meilleurs résultats. Bien qu'il n'y ait pas de différence significative entre les outils en termes d'AUC-ROC et d'exactitude, la méthode Bayésienne a été sélectionnée pour l'optimisation. La base de données d'apprentissage virtuelle comprenait 2000 patients (vivants : décédés selon un ratio 1:1) et les 7 variables les plus informatives (âge, EPO, antécédents cardiovasculaires, statut tabagique, 25-OH vitamine D, PTH et ferritine). Les performances de l'outil de prédiction clinique optimisé sont : AUC = 0,81 ± 0,03, exactitude = 73,8 ± 3,6 %, sensibilité = 71,0 ± 5,4 %, spécificité = 76,5 ± 3,0 % (Fig. 1). L'outil de prédiction optimisé de la mortalité toutes causes à 2 ans des patients IRC stades 4 et 5 développé à partir d'un réseau bayésien à 7 variables a montré une performance satisfaisante. Sa validation externe est en cours de réalisation. [ABSTRACT FROM AUTHOR]

Copyright of Néphrologie & Thérapeutique is the property of John Libbey Eurotext Ltd. and its content may not be copied or emailed to multiple sites or posted to a listserv without the copyright holder's express written permission. However, users may print, download, or email articles for individual use. This abstract may be abridged. No warranty is given about the accuracy of the copy. Users should refer to the original published version of the material for the full abstract. (Copyright applies to all Abstracts.)