【技术实现步骤摘要】
本专利技术属于模型构建，涉及一种基于血清klotho的慢性肾脏病预测模型的构建方法及应用，尤其涉及一种基于血清klotho的预测慢性肾脏病进展为终末期肾病和心血管事件机器学习模型的构建方法及应用。
技术介绍
1、慢性肾脏病(chronic kidney disease，ckd)毋庸置疑已成为威胁全世界公共健康的主要疾病之一。流行病学调查结果显示，全球范围内ckd患病率高达11-13％，患病人数超过8.5亿。ckd的三个主要不良后果是进展到终末期肾脏病(end-stage kidney disease，eskd)、发生心血管疾病(cardiovascular disease，cvd)和过早死亡。患者一旦进入eskd行肾脏替代治疗(透析或者肾移植)以维持生存，对个人、家庭及社会都会产生巨大的经济负担，并影响患者的生存质量。目前，ckd已成为全球范围内导致死亡的主要原因之一，预计到2040年，它将成为死亡的第五大原因。同时，cvd是ckd最常见的并发症和首位死亡原因。因此，延缓肾功能进展，减少cvd事件的发生是ckd干预的重要环节。
2、传统的观点认为高龄，合并高血压、糖尿病、肥胖、蛋白尿等是ckd进展或并发cvd事件的危险因素。近些年，矿物质骨代谢异常(mineral and bone disorder，mbd)、蛋白质能量消耗(protein energy wasting，pew)、fgf-23过表达及klotho缺乏等新兴的危险因素在ckd进展及cvd并发症的发生过程中也起着非常重要的作用。随着ckd的进展，传统单一
3、klotho(α-klotho)基因是kuro-o等人于1997年发现的一种抑制衰老的基因。我们前期基础研究结果提示：klotho与egfr的血清水平呈正相关，而klotho可以显著抑制尿毒症心肌病和加速性动脉粥样硬化及血栓栓塞并发症，并且是ckd血管钙化的重要抑制因子。此外，在ckd小鼠模型中，klotho可以通过抑制fgf2信号通路减少肾纤维化，阻遏ckd进展。以上这些研究均提示klotho在ckd进展以及cvd并发症中发挥重要保护作用。同样，我们的临床研究还观察到，在ckd患者中，低血清klotho水平预示着更快的ckd进展，更高的心血管事件和全因死亡，提示klotho可作为ckd患者预后的独立预测因子。综上，我们从基础到临床转化研究均证实klotho在ckd进展及其cvd并发症中发挥着非常关键的作用。
4、机器学习(ml，machine learning)是人工智能的一个分支，其算法具有从经验中学习和改进的能力，而无需为特定任务明确编程。它能利用计算机算法处理大量的复杂数据，通过对不同的变量之间的线性和非线性相互作用进行建模，从而产生更精确的预测模型，超越了传统统计方法的能力。在肾脏病学中，ml已被开发用于识别临床进展性疾病的高风险患者，移植受者的随访管理、血液透析患者的处方决策、腹膜透析的感染病原体鉴定等。ml在肾脏疾病中的应用可以增强临床医生预测ckd和eskd的能力。在ml模型开发方面，目前对于糖尿病肾病及iga肾病进展至eskd、ckd的早期诊断和进展发面已开发一些模型进行预测，然而对于ckd进展至eskd的模型开发却寥寥无几。虽然存在几种eskd模型，但没有一个是涵盖klotho在内的且针对中国人群非透析ckd1-5期病人开发的。另外，目前，尽管有大量研究利用机器学习(ml)来预测普通人群cvd的模型，但研究ckd人群cvd的模型同样很少。
5、因此，建立基于klotho的多维人工智能ckd预后预测模型具有非常重要的意义。此次研究的目的在于利用机器学习，整合简便易得的临床特征，开发和验证ckd1-5期患者包含klotho在内的eskd及cvd风险预测模型，作为风险评估工具，能更好地识别处于ckd不良结局中的患者，并改善ckd的管理，为临床诊治提供参考。
技术实现思路
1、有鉴于此，本专利技术为了解决现有预测模型没有涵盖klotho，不适用慢性肾脏病人群发生心血管疾病风险评估，不能很好的为临床诊治提供参考的问题，提供一种基于血清klotho的慢性肾脏病预测模型的构建方法及应用。
2、为达到上述目的，本专利技术提供如下技术方案：
3、一种基于血清klotho的慢性肾脏病预测模型的构建方法，包括以下步骤：
4、s1、建模人群选取：选取符合研究组纳入排除标准的ckd非透析患者；
5、s2、信息收集：收集建模人群的以下信息：人口学特征、临床医学常规特征以及血清klotho检测；
6、s3、预测模型建立，将所选择的建模人群数据随机划分为训练集和验证集，分别进行终末期肾病预测模型构建和心血管事件预测模型构建；
7、s31、终末期肾病预测模型构建：在训练集中采用10折交叉验证比较cox模型，gbm模型，lasso模型，随机森林模型，svm模型五种模型的预测精度，选择预测精度最高的lasso模型，通过lasso回归分析对训练集变量进行降维处理，并筛选出最具代表的特征变量，lasso模型共筛选出12个与eskd预后相关的指标，分别为：sbp、egfr、urea、cys-c、rbp、utp、u-malb、alb、ca、p、pth、lg(klotho)，用于多因素cox逐步回归，通过验证集进行模型测试后构建列线图；
8、s32、心血管事件预测模型构建：在训练集中采用10折交叉验证比较cox模型，gbm模型，lasso模型，随机森林模型，svm模型五种模型的预测精度，选择预测精度最高的随机森林模型，随机森林模型共筛选出8个与cvd预后相关的指标，分别为：age、htn history、amc、cd4:cd8、ca、mg、lg(tnf-α)、lg(klotho)，用于多因素cox逐步回归，通过验证集进行模型测试后构建列线图；
9、s4、模型预测能力评估：将步骤s3构建的终末期肾病预测模型和心血管事件预测模型的预测能力进行评估。
10、进一步，步骤s1中研究组纳入排除标准中纳入标准为：(1)年龄≥18周岁；(2)因各种原因导致的慢性肾脏病1-5期就诊的患者，且未进行任何肾脏替代治疗(血液透析、腹膜透析和肾移植)；(3)基线数据缺失＜30％；排除标准为：(1)急性肾功能衰竭；(2)孕妇或哺乳期妇女；(3)有器官移植史需要长期服用免疫抑制剂；(4)有恶性肿瘤或其他未控制的活动性感染。
【技术保护点】
1.一种基于血清Klotho的慢性肾脏病预测模型的构建方法，其特征在于，包括以下步骤：
2.如权利要求1所述基于血清Klotho的慢性肾脏病预测模型的构建方法，其特征在于，步骤S1中研究组纳入排除标准中纳入标准为：(1)年龄≥18周岁；(2)因各种原因导致的慢性肾脏病1-5期就诊的患者，且未进行任何肾脏替代治疗(血液透析、腹膜透析和肾移植)；(3)基线数据缺失＜30％；排除标准为：(1)急性肾功能衰竭；(2)孕妇或哺乳期妇女；(3)有器官移植史需要长期服用免疫抑制剂；(4)有恶性肿瘤或其他未控制的活动性感染。
3.如权利要求2所述基于血清Klotho的慢性肾脏病预测模型的构建方法，其特征在于，步骤S2中临床医学常规特征包括既往吸烟史、既往患病史、血压、BMI(身高、体重)、肾功、24h尿蛋白定量、肝功、血脂、血常规、T细胞亚群计数、补体、血清钙镁磷、PTH、炎症标志物。
4.如权利要求3所述基于血清Klotho的慢性肾脏病预测模型的构建方法，其特征在于，步骤S3中对所选择的建模人群数据进行随机划分时，选取70％的样本作为训练集拟合模型，剩余30
5.如权利要求4所述基于血清Klotho的慢性肾脏病预测模型的构建方法，其特征在于，步骤S31在选择最优Lambda时采用100次10倍交叉验证确定最优λ(λ＝0.085)，选择标准为lambda.min。
6.如权利要求5所述基于血清Klotho的慢性肾脏病预测模型的构建方法，其特征在于，步骤S32预测精度的选择通过C指数作为评价标准。
7.一种由权利要求1～6任一项所述基于血清Klotho的慢性肾脏病预测模型的构建方法构建得到的基于血清Klotho的慢性肾脏病预测模型。
8.一种如权利要求7所述基于血清Klotho的慢性肾脏病预测模型在评估CKD患者发生终末期肾病和心血管事件风险方面的应用。
...【技术特征摘要】
1.一种基于血清klotho的慢性肾脏病预测模型的构建方法，其特征在于，包括以下步骤：
2.如权利要求1所述基于血清klotho的慢性肾脏病预测模型的构建方法，其特征在于，步骤s1中研究组纳入排除标准中纳入标准为：(1)年龄≥18周岁；(2)因各种原因导致的慢性肾脏病1-5期就诊的患者，且未进行任何肾脏替代治疗(血液透析、腹膜透析和肾移植)；(3)基线数据缺失＜30％；排除标准为：(1)急性肾功能衰竭；(2)孕妇或哺乳期妇女；(3)有器官移植史需要长期服用免疫抑制剂；(4)有恶性肿瘤或其他未控制的活动性感染。
3.如权利要求2所述基于血清klotho的慢性肾脏病预测模型的构建方法，其特征在于，步骤s2中临床医学常规特征包括既往吸烟史、既往患病史、血压、bmi(身高、体重)、肾功、24h尿蛋白定量、肝功、血脂、血常规、t细胞亚群计数、补体、血清钙镁磷、pth、炎症标志物。
4.如权利要求3所述基...
【专利技术属性】
技术研发人员：熊加川，赵景宏，王雅婷，
申请(专利权)人：中国人民解放军陆军军医大学第二附属医院，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。