Identification and validation of a chronic kidney disease prediction model after radical nephrectomy: a multicenter cohort retrospective study.

چکیده اصلی

INTRODUCTION: Long-term renal function is an important follow-up after radical nephrectomy for renal carcinoma. Predictive models can help identify patients at risk for chronic kidney disease (CKD) progression and enable early intervention. METHODS: We retrospectively analyzed 649 patients who underwent radical nephrectomy at eight medical centers. The primary cohort from the Affiliated Hospital of Qingdao University comprised 329 patients, randomly divided into training sets (n = 229) and internal validation sets (n = 100) at a 7:3 ratio. An additional 320 patients from seven other centers constituted a multicenter external evaluation cohort. Five machine learning models were developed, including Logistic Regression (LR), Support Vector Machine (SVM), Random Forest (RF), Extreme Gradient Boosting (XGBoost), and Light Gradient Boosting Machine (LightGBM). Model performance was evaluated using the area under the receiver operating characteristic curve (AUC), confusion matrices, and calibration curves. RESULTS: 224 (34.51%) patients experienced postoperative CKD stage progression within three years. LightGBM achieved the highest discriminative performance among the five evaluated algorithms, with an AUC of 0.7508 (95% CI, 0.6399-0.8617) and an accuracy of 0.7200 in the internal validation set, and an AUC of 0.7549 (95% CI, 0.7022-0.8076) and an accuracy of 0.6813 in the external evaluation set. SHAP analysis identified preoperative eGFR, tumor size, post-to-preoperative serum creatinine ratio, preoperative serum creatinine, and age as the five most influential predictors. CONCLUSIONS: We developed and externally evaluated machine-learning models for predicting CKD stage progression after radical nephrectomy. Long-term decline in renal function is an important complication that requires urologists' attention and early prevention during follow-up.

ترجمه فارسی چکیده

مقدمه: عملکرد کلیه در بلندمدت یک پیگیری مهم پس از نفت‌برداری کامل برای سرطان کلیه است. مدل‌های پیش‌بینی می‌توانند به شناسایی بیماران در معرض خطر پیشرفت بیماری مزمن کلیه (CKD) و امکان‌سنجی مداخله زودهنگام کمک کنند. روش‌ها: ما به صورت بازنگری‌شده ۶۴۹ بیمار را که نفت‌برداری کامل را در هشت مرکز پزشکی انجام داده‌اند، تحلیل کردیم. کوهورت اصلی از بیمارستان تابع دانشگاه چینگداو ۳۲۹ بیمار را شامل می‌شد که به صورت تصادفی در نسبت ۷:۳ به مجموعه‌های آموزشی (n = ۲۲۹) و مجموعه‌های اعتبارسنجی داخلی (n = ۱۰۰) تقسیم شدند. ۳۲۰ بیمار دیگر از هفت مرکز دیگر یک کوهورت ارزیابی خارجی چندمرکزه را تشکیل دادند. پنج مدل یادگیری ماشین توسعه یافت، شامل رگرسیون لجستیک (LR)، ماشین بردار پشتیبان (SVM)، جنگل تصادفی (RF)، افزایش گرادیان افراطی (XGBoost) و ماشین افزایش گرادیان سبک (LightGBM). عملکرد مدل با استفاده از مساحت زیر منحنی ویژگی عملگر گیرنده (AUC)، ماتریس‌های ابهام و منحنی‌های کالیبراسیون ارزیابی شد. نتایج: ۲۲۴ (۳۴.۵۱٪) بیمار تجربه پیشرفت مرحله CKD پس از عمل را در سه سال تجربه کردند. LightGBM بالاترین عملکرد تشخیصی را در بین پنج الگوریتم ارزیابی شده به دست آورد، با AUC 0.7508 (۹۵٪ CI، 0.6399-0.8617) و دقت 0.7200 در مجموعه اعتبارسنجی داخلی، و AUC 0.7549 (۹۵٪ CI، 0.7022-0.8076) و دقت 0.6813 در مجموعه ارزیابی خارجی. تحلیل SHAP eGFR پیش‌عمل، اندازه تومور، نسبت کراتینین سرم پس از عمل به قبل از عمل، کراتینین سرم پیش‌عمل و سن را به عنوان پنج پیش‌بینی‌کننده موثرترین شناسایی کرد. نتیجه‌گیری: ما مدل‌های یادگیری ماشین را برای پیش‌بینی پیشرفت مرحله CKD پس از نفت‌برداری کامل توسعه و خارجی ارزیابی کردیم. سقوط عملکرد کلیه در بلندمدت یک عارضه مهم است که توجه جراحان اورولوژی و پیشگیری زودهنگام در حین پیگیری را می‌طلبد.

متن کامل اصلی