ادغام رادیوگرافی، سونوگرافی و یادگیری ماشینی در تشخیص زودهنگام بیماری مزمن کلیه گربه ها

بیماری مزمن کلیه (CKD) از علل اصلی نارسایی پیشرونده کلیه در گربه های مسن است و تشخیص زودهنگام آن نقش مهمی در پیشگیری دارد. بر اساس طبقه بندی IRIS، مراحل اولیه شامل استیج ۱ (بدون آزوتمی) و استیج ۲ (آزوتمی خفیف با کراتینین ۱/۶ تا ۸/۲ mg/dL) می باشد. هدف این مطالعه بررسی کارایی ادغام داده های رادیوگرافی و سونوگرافی با تحلیل یادگیری ماشین در شناسایی اولیه CKD بود. در این مطالعه ۵۰ گربه شامل ۲۷ حیوان سالم و ۲۳ حیوان مبتلا به CKD خفیف (مرحله ۱ و ۲) بررسی شدند. تشخیص بیماری بر اساس افزایش کراتینین به ۶/۱ تا ۸/۲ میلی گرم بر دسی لیتر، نیتروژن اوره بیش از ۳۰ میلی گرم بر دسی لیتر و وزن مخصوص ادرار کمتر از ۱/۰۳۰ انجام شد. در رادیوگرافی نسبت طول کلیه به دومین مهره کمری (K/L₂) و در سونوگرافی نسبت ضخامت قشر به مرکز کلیه (C/M) اندازه گیری گردید. داده ها در نرم افزار Python با استفاده از کتابخانه ی Scikit-learn تحلیل شدند. سه مدل یادگیری ماشینی شامل رگرسیون لجستیک، ماشین بردار پشتیبان (Support vector machines) و جنگل تصادفی (Random Forest) انتخاب شد. مدل ها با اعتبارسنجی متقاطع پنج مرحله ای (stratified ۵-fold CV) آموزش داده شدند و معیارهای دقت، حساسیت، ویژگی، F۱-score و سطح زیر منحنی (AUC) با فاصله اطمینان ۹۵٪ محاسبه گردید. میانگین نسبت K/L₂ و C/M در گربه های بیمار به ترتیب ۰/۲۰ ± ۱/۷۸ و ۰/۱۴ ± ۰/۸۸ و در گربه های سالم ۰/۱۸ ± ۲/۲۵ و ۰/۱۲ ± ۱/۲۵ (P<۰.۰۰۱) بود. این شاخص ها همبستگی منفی قوی با کراتینین داشتند.