临床预测模型的早期检测慢性肾病（项目分享）

# 临床预测模型的早期检测慢性肾病

临床预测模型筛查慢性疾病系列，实现早期诊断、早期治疗，包括高血压、糖尿病、慢性肾病、认知功能障碍等。这类疾病有简单的诊断标准，所以诊断不需要预测模型，预测模型该做的是在未病之前早期提示风险，而进行预防。

设想的应用场景是在院外，体检后获得常见的血液，尿液等指标后，使用预测模型来筛查相关疾病，有较高风险的情况下建议到医院进行确诊，可以一定程度上提高相关疾病早期诊断、早期治疗的可能性。

## 背景分析

（一）慢性肾病的危害

慢性肾病（CKD）是一种严重的公共卫生问题，其发病率在全球范围内呈上升趋势。据统计，全球约有 10% 的成年人患有不同程度的慢性肾病，且知晓率低、治疗率低。慢性肾病不仅会严重影响患者的生活质量，随着病情进展，还可能发展为终末期肾病，需要进行透析或肾移植等肾脏替代治疗，这不仅给患者带来极大的痛苦和经济负担，也对社会医疗资源造成巨大压力。

（二）早期检测的重要性

早期发现慢性肾病对于改善患者预后至关重要。在疾病早期，通过积极的干预措施，如调整生活方式、控制基础疾病等，可以有效延缓疾病进展，降低终末期肾病的发生风险。然而，由于慢性肾病早期症状隐匿，患者往往难以察觉，一旦出现明显症状，病情可能已进展到中晚期，错失最佳治疗时机。因此，开发一种有效的早期检测方法迫在眉睫。

## 可行性分析

（一）数据资源丰富

随着医疗信息化的发展，大量的临床数据得以积累，包括患者的病史、症状、体征、实验室检查结果、影像学资料等。这些丰富的数据为构建临床预测模型提供了坚实的数据基础。通过对多中心、大规模的临床数据进行整合和分析，可以挖掘出与慢性肾病发生发展相关的潜在危险因素和生物标志物，提高预测模型的准确性和可靠性。

（二）机器学习和人工智能技术的支持

机器学习和人工智能技术在医学领域的应用日益广泛，为慢性肾病的早期检测提供了新的思路和方法。通过机器学习算法，可以对大量的临床数据进行建模和分析，自动学习数据中的特征和规律，构建出精准的预测模型。例如，逻辑回归、决策树、支持向量机、神经网络等算法已被成功应用于多种疾病的预测，在慢性肾病早期检测方面也展现出了良好的应用前景。这些技术能够处理复杂的数据关系，发现传统方法难以察觉的潜在信息，提高疾病预测的敏感性和特异性。

## 数据介绍

数据集来自kaggle，初步分析的目的在于筛选可以使用的变量。从结果来看，筛选出的指标符合构建预测模型的需求，指标易得，且模型具有较好的效能。后续有待于搜集本数据进一步验证

## 方法和结果

1. 数据预处理过程，重点是缺失值的处理和变量的筛选过程；结果筛选出以上的10个变量作为最终的预测变量。

2. 采用了xgboost等多个机模型器学习，准确度达到了0.95以上；

3. LIME局部解释，精准指出用户的目前的异常的指标，为诊疗提供参考，也可以使用之前项目的SHAP分析方法。

后续的工作是构建APP，并进行准确度的测试。

## 最后

目前AI也有很多用于诊断疾病，AI还是靠经验，也就是人总结的诊断疾病的经验，临床预测模型靠的是数据，个人认为应该具有更高的准确性和重复性。

临床预测模型的确定是过于局限，一个模型只能诊断一种疾病，而一个AI等于一个医院。

预测模型不能进入临床的一个原因，可能是觉得预测模型的效能不够高，这应该是个误解，一方面，现在在临床上使用的一列量表的诊断效能也没有100%，且往往低于预测模型；另一方面，100%准确的预测模型应该是没有的，也就是总会有一定的误诊和误治出现，我们需要做的是平衡损害和收益两方面的关系，比如采用DCA分析来选择恰当的决策阈值。

项目地址：https://www.heywhale.com/mw/project/67a594e3414b53320ea119f0