זיהוי מחלת כליות כרונית מדגימות דם באמצעות רשתות עצביות

למידע נוסף:Ali.ma@wecistanche.com

מוחמד ע'סאן לאטיף*, ראג'סוואראן לוגסוואראן ונורול האניזה מוהטאר

אוניברסיטת אסיה פסיפיק לטכנולוגיה וחדשנות, Bukit Jalil, 57000 קואלה לומפור, מלזיה

*דוא"ל המחבר המקביל:TP047492@mail.apu.edu.my,

תַקצִיר.

מאמר זה מציע גישת רשת עצבית מלאכותית לזיהוי אוטומטימחלת כליות כרוניתבאמצעות דגימות נוזלים שנלקחו מהמטופלים. הרציונל לפיתוח מערכת כזו ניתן, כמו גם יתרונות אפשריים למטופלים ולתעשייה הרפואית. מערכות דומות המוצעות בתעשייה ולאבחוןמחלת כליות כרוניתבאמצעות גישות אחרות כגון אלגוריתמי סיווג נחקרים. מערך נתונים לאימון הרשת העצבית נאסף ומנתחים את התכונות, כמו גם מתודולוגיה וכלים לשימוש בפיתוח הרשת העצבית.

תנאי אינדקס. מְלָאכוּתִירשתות עצביות, אבחון רפואי, ניתוח נתונים,מחלת כליות כרונית(CKD).

1. הקדמה

ההערכה היא שכ-1 מכל 10 מבוגרים סובל מצורה כלשהי של נזק לכליות, כאשר מיליונים מתים מדי שנה מסיבוכים הקשוריםמחלת כליות כרונית(CKD) [1]. מחקר נטל המחלות הגלובלי מצא את CKD במקום ה-27 ברשימת הגורמים למספר הכולל של מקרי מוות ברחבי העולם בשנת 1990, אך עלה למקום ה-18 בשנת 2010 - רמה של רשימה שמדרגת תנועה כלפי מעלה במקום השני רק לזו של HIV ואיידס. CKD (מחלת כליות כרונית)הוא מזיק ביותר וחשוך מרפא, אך אם נתפס מוקדם ניתן לעצור את ההתקדמות שלו באמצעות תרופות ומשטר דיאטה מתאים.

עם זאת, קשה להידבק במחלה מוקדם, בשל היעדר תסמיני אזהרה הנראים כלפי חוץ בשלבים המוקדמים. לכן, אלא אם למישהו יש מצבים אחרים שיגרמו לו להיות רגישים יותר לנזק לכליות, אם האדם זהיר מאוד ועושה בדיקות גוף מלאות קבועות, או אם הוא לקח את בדיקת הדם או השתן מסיבה אחרת ובמקרה גם מצא CKD, בדרך כלל CKD(מחלת כליות כרונית) נמצא רק בשלבים באמצע עד מאוחר.

CKD(מחלת כליות כרונית) נקבע מתי במשך יותר משלושה חודשים נצפה שהכליות אינן מסוגלות לבצע ביעילות את תפקידיהן המיועדים, כגון לנקות את הדם מפסולת ומוצרים עודפים ולסייע בשליטה על לחץ הדם [2]. זה יכול להוביל להצטברות של חומרי פסולת בגוף המטופל, מה שמוביל לנפיחות ונפיחות של הקרסוליים, נדודי שינה, קוצר נשימה וחולשה. עד שאפילו תסמינים אלו נצפים, ייתכן שכבר יהיה מאוחר מדי. CKD מוקדם אינו מראה סימנים או תסמינים חיצוניים, לפעמים אפילו עד לנקודה שהאדם כבר איבד 90 אחוז מתפקודי הכליות שלו [3].

השיטות הנוכחיות לאבחון CKD(מחלת כליות כרונית) כולל מדידת תוצאות של קריאטינין בסרום בדם, רמות גלוקוז בדם כדי לראות אם החולה חולה סוכרת (כיוון שלחולי סוכרת יש שכיחות גבוהה בהרבה ללקות ב-CKD), כמו גם מדידת אלבומין, או נוכחות חלבון בגוף. שתן, שיסנן החוצה בכליות בריאות.

עם זאת, אלה דורשים בדרך כלל שלושה חודשים של ניטור של רמות קריאטינין וכן קריטריונים אחרים כגון המטוריה, מומים מולדים וכו'. על פי המכון הלאומי האמריקאי לסוכרת ומחלות עיכול וכליות (NIDDK), המחקר האחרון מצביע על שלב מערכת /סיווג מזהה את הסיכון ל-CKD מניתוח נתוני חולים בדיוק רב יותר בתחזיותיו, דורשת מספר גורמים ולא רק רמות eGFR, קריאטינין או אלבומין, אלא שלושתם, גיל ומצב סוכרת [4]. לכן, פרויקט זה שואף להשתמש במערך דומה של נתוני מטופל עם תכונות מרובות על מנת לאמן רשת עצבית כדי להיות מסוגל לזהות דפוסים המצביעים על נוכחות של CKD ולבצע סיווג בינארי. על ידי כך, פרויקט זה שואף להקל על תהליך בדיקת CKD(מחלת כליות כרונית) ולהפחית את זמן ההמתנה של מספר חודשים כדי לקבוע אם הבעיה היא כרונית, על ידי שימוש פשוט בתוצאות של בדיקת דם אחת ותצפיות ודגימות אחרות שנעשו/נלקחו, תוך ביטחון רב יותר באבחנה המבוססת על מספר גורמים במקום גורם יחיד, אשר יש סיכוי גבוה יותר להיות חריג בגלל גורמים חיצוניים. הדבר חיוני במיוחד מכיוון שכל התקדמות של CKD היא בלתי הפיכה ולכן האינטרס של המטופלים הוא שיאבחן אותה במהירות ובדייקנות על מנת להתחיל בטיפול ולנקוט באמצעים המתאימים להאטת הנזק באופן מיידי.

לחץ על אורגניCistanche לטיפול במחלת כליות כרונית

2. סקירת ספרות

2.1 מחקר תחום

אבחון וקבלת החלטות רפואיים הם תחום בעל סיכון גבוה בעדיפות גבוהה, שכן ביצוע אבחונים מדויקים הם קריטיים לחלוטין לבריאות המטופלים. מְלָאכוּתִירשתות עצביות(ANNs) וטכניקות למידת מכונה אחרות נמצאות יותר ויותר בשימוש למקרים של אבחון מחלות, ברמות דיוק מבטיחות.

אל-שעיה הציג שני מקרים של שימוש ב-ANN לאבחון של (1) מחלת דלקת נפריטיס חריפה, המתרחשת כאשר הכליות הופכות פתאום לדלקתיות ומובילות לאי ספיקת כליות אם אינה מטופלת, וכן (2) מחלת לב [5]. נעשה שימוש בהפצה לאחור בהזנה קדימה, כאשר המודל של דלקת כליות חריפה דיווח על 99 אחוז ומחלות לב 95 אחוז דיוק באבחנה. המודל של הראשון היה בעל 6 כניסות, 20 נוירונים נסתרים, 2 שכבות, והשתמש בהפצה לאחור של Levenberg-Marquardt כאלגוריתם אימון, עם אימון המבוסס על שיפור השגיאה הריבועית הממוצעת (MSE). הרשת האחרונה השתמשה ב-2 שכבות, 22 כניסות, 20 נוירונים נסתרים כאשר גורמים אחרים היו זהים לקודמים.

סטר ודובניקר בדקו חמישה מאגרי מידע רפואיים שונים (מחלת עורקים כליליים, סרטן שד, הפטיטיס, סוכרת פימה אינדיאנים ומחלות לב) עם ANN ושיטות אבחנה ליניאריות פשוטות יותר [6]. הביצועים היו יחסית זהים, מה שמרמז, לטענתם, שהנתונים היו פשוטים כשהערכים הם תכונות עצמאיות. ככאלה, הם טוענים שמערכות סיווג מורכבות או ANN מיותרות באבחון רפואי, שכן התוצאות גבוהות גם עבור שיטות הבחנה ליניארית ונאיבי בייס. עם זאת, יש לציין שהם בדקו את השיטות עם תצורות ברירת מחדל וללא כוונון עדין, וכיוון שהם עצמם מקבלים שאפילו עלייה של כמה אחוזים באי דיוקים באבחון של מטופלים חיונית כמותית שיכולה להגיע למאות. של אלפי אנשים. זה היה מחקר מוקדם יותר ו-ANN גדלו באופן משמעותי לאחר מכן, במיוחד עם למידה עמוקה. עם זאת, בעיה מתמשכת ב-ANN היא חוסר השקיפות - לא ניתן לראות כיצד ה-ANN קיבלה את ההחלטה שהפיקה ובאילו ערכים נסמכה ההחלטה. המטופל לא ישתכנע אם הרופא לא ידע מדוע הם נותנים למטופל את התרופה והטיפול הספציפיים על ידי ביצוע המרשם של ANN. חוסר ההסבר גורם גם לכך שרופאים אנושיים נותרים בחושך ואינם יכולים ללמוד מההחלטות שהתקבלו ב-ANN.

Liu et al. לקח על עצמו את המשימה לבדוק את הדיוק של אנשי מקצוע בתחום הבריאות בהשוואה לטכניקות למידה עמוקה כגון ANN [7]. על מנת לקבל מערך נתונים גדול ככל האפשר, הם סרקו מאמרים וניתוחים קיימים על מנת לבצע מטה-אנליזה, על מחקרים מ-1 בינואר 2012 עד 6 ביוני 2019, עבור מחקרים המשווים את ביצועי האבחון של כל מחלה של מודלים של למידה עמוקה בהשוואה לאנשי מקצוע בתחום הבריאות. השוואת ביצועים של 14 מהמחקרים הללו הראתה רגישות מאוחדת של 87 אחוזים וספציפיות מאוחדת של 92.5 אחוזים עבור מודלים של למידה עמוקה, עם 86.4 אחוזים ו-90.5 אחוזים, בהתאמה, עבור אנשי מקצוע בתחום הבריאות. למרות שהתוצאות דומות, מודלים של למידה עמוקה בסך הכל פעלו טוב יותר, גם אם באופן שולי, וכל עלייה קלה באחוז היא עדיין שיקוף של אינספור חיים שנחסכו או השתפרו על ידי אקסטרפולציה של נתון זה על הערך הכמותי של אלה שנפגעו ממצבים בריאותיים כאלה.

2.2 מערכות דומות

ישנם מאמרים רבים המפרטים את האבחנה של CKD(מחלת כליות כרונית) באמצעות ANN או שיטות אחרות, כגון שימוש במכונות וקטור תמיכה (SVM) ו- Naive Bayes.

קריפלני וחב'. השתמש ב-Deep Neural Network על מנת לחזות CKD באמצעות 18 פרמטרים בשכבת הקלט, אם כי מספר הנוירונים, השכבות והארכיטקטורה של הרשת לא הוזכר במאמר [8]. ל-Deep Neural Network היה שיעור חיובי אמיתי של 95.2 אחוז, ושיעור שלילי אמיתי של 100 אחוז, אשר הושווה גם לשיטות סיווג אחרות, כגון Logistic, Random Forest, Adaboost, SVM ו- Naive Bayes. העיתון טען שלרשת העצב העמוק שלהם יש את הדיוק הגבוה ביותר מבין כל השיטות שהודגשו לעיל. עם זאת, בניתוח נוסף של תוצאות הביצועים שניתנו במאמר, למרות שאותו שיעור שלילי אמיתי הושג בכל שיטות הסיווג האחרות, Naive Bayes ו-Random Forest, אלגוריתמים פשוטים יותר יחסית, ביצעו כמו גם ה-ANN עם 95.2 אחוז חיובי אמיתי. דיוק. יתרה מכך, הן Adaboost והן SVM השיגו שיעור דיוק חיובי אמיתי של 96.2 אחוז, שהוא גבוה יותר מ-Deep Neural Network. בטבלה אחרת שסופקה, Naive Bayes ו-Deep Neural Network הוצגו עם דיוק של 97.7679 אחוזים, בעוד של-Adaboost ו-SVM היה דיוק של 98.2143 אחוז ושל Random Forest היה דיוק של 99.1071 אחוז. לפיכך, המסקנה שלהם שמבין כל המודלים שהשוו, ה-Deep Neural Network הייתה הטובה ביותר נראית שגויה על פי הנתונים שסופקו במאמרם, שכן לא רק שהיא איטית יותר וגבוהה יותר במשאבי החישוב הנצרכים, Naive Bayes, ביצעה באופן שווה, עם Adaboost. , SVM ו-Random Forest משיגים דיוק גבוה יותר.

אחמד ועוד. השתמש ב-SVM על מנת להציע כלי עזר לתמיכה בהחלטות למצבי חירום, תוך שימוש ב-5 תשומות: לחץ דם, קריאטינין בסרום, נפח תאים דחוס, גורם יתר לחץ דם וגורם אנמיה [9]. ה-SVM קודד בשפת תכנות R, עם דיוק של 98.34 אחוזים. הם גם הגיעו למסקנה במאמרם שחשיבות התכונות קשורה לירידה הממוצעת בג'יני, או לממוצע הירידה הכוללת של המשתנה בטומאת הצומת, כאשר הערך גבוה יותר תפקיד התכונה. באמצעות זה, הם גילו שנפח תאים ארוז היה התכונה החשובה ביותר באבחון CKD(מחלת כליות כרונית) מהנתונים. מכיוון שרק רמות הקריאטינין בסרום הן אחת הדרכים שבהן מאובחן CKD כעת, הדבר יוצר חוסר ודאות באשר לשאלה אם זה עשוי להיות מדויק יותר להסתמך על ערכי נפח תא ארוז במקום זאת.

Ravindra et al. השתמש גם ב-SVM על מנת לבצע סיווג ולזהות CKD(מחלת כליות כרונית) חולים [10]. ערכי הקלט חולקו לארבעה מקרים שונים בהתבסס על הקשר ההדוק ביניהם, עם:

מקרה 1 -לחץ דם, משקל סגולי וקריאטינין בסרום;

מקרה 2 -אלבומין, סוכר, גלוקוז אקראי בדם והמוגלובין;

מקרה 3 -נפח תאים ארוז, ספירת תאי דם לבנים וספירת תאי דם אדומים;

מקרה 4 -אלבומין, סוכר, גלוקוז אקראי בדם, קריאטינין בסרום, נתרן, אשלגן והמוגלובין.

כל אחד מארבעת המקרים נבדק בנפרד עם מסווג SVM ללא שאר הגורמים, ונמצא שלמקרה 2 היה הדיוק הגבוה ביותר של 93.75 אחוז. עם זאת, הדיוק נמוך יותר מאשר מאמרים אחרים בעבר, שהשתמשו במספר גבוה יותר של כניסות. לכן, בעוד שנראה כי אלבומין, סוכר, גלוקוז אקראי בדם והמוגלובין מניבים תוצאות טובות בעצמם, תשומות אחרות הוכיחו עלייה ברמת הדיוק כשהן נכללו לצדן.

Salekin ו-Stankovic השתמשו ב-Random Forest והשיגו 99.3 אחוז דיוק ו-0.1084 Root Mean Square Error (RMSE) באמצעות 24 כניסות [11]. עם זאת, לאחר מכן הם השתמשו במגוון שיטות כגון שיטת עטיפת למידת מכונה והסדרת LASSO, כדי לבחור 5 תכונות מתוך 24 המקוריות:

^.משקל סגולי,^.אלבומין,^.סוכרת,^.יתר לחץ דם, ו^.הֵמוֹגלוֹבִּין.

Cistanche יכול לשפר את תפקוד הכליות

המאמר הדגיש שיטת זיהוי אוטומטי חסכונית, ולפיכך הפחתת מספר הגורמים הדרושים תוך שמירה על הדיוק ברמה ככל האפשר תגביר את העלות-תועלת בשל פחות בדיקות נדרשות וזמן הנדרש לקבלת תוצאות הבדיקות. הם מעריכים שעם שיעור האינפלציה של 2016 בארה"ב ותמחור הבדיקות הרפואיות, לא יידרש יותר מ-45.05 דולר ארה"ב לבדיקת מטופל. עם 5 התכונות, הם השיגו דיוק של 98 אחוז עם 0.11 RMSE, ירידה של 1.3 אחוז בלבד דיוק לאחר השלכת 19 מתוך 24 התכונות המקוריות.

Vijayarani ו-Dhayanand השתמשו ב-MATLAB על מנת להשוות את הביצועים של SVM ו-ANN (הזנה קדימה עם הפצה לאחור) על מערך נתונים של חולי מחלת כליות [12]. ל-ANN היה דירוג דיוק של 87.70 אחוז, כאשר ל-SVM דיוק של 76.32 אחוז. עם זאת, ה-SVM לקח 3.22 שניות ואילו ה-ANN לקח כמעט כפול את הזמן הזה ב-7.26 שניות. הדיוק היה נמוך בהרבה מאלו של המערכות שהוזכרו קודם לכן. עם זאת, למערכת זו היה גם יותר מהסיווג הבינארי של CKD(מחלת כליות כרונית) או כליות בריאות, במקום זאת, היא סווגה ל-5 מקרים שונים: תסמונת נפריטית רגילה, חריפה, CKD, אי ספיקת כליות חריפה או גלומרולונפריטיס כרונית, מה שהפך את המשימה למורכבת יותר.

2.3 סיכום סקירה

המאמר של Liu et al. מראה את הכדאיות של ANN ותחליפי למידת מכונה אחרים להחליף את העין המאומנת של אנשי מקצוע בתחום הבריאות, פשוט על ידי דיוק יותר. עם זאת, כפי שסטר ודובניקר מדגישים, יש בעיה עם השקיפות של החלטות ANN, שכן אין דרך לזהות איזה גורם שיחק בהחלטה זו ועד כמה. ניתן לזהות את הגורמים מחוץ ל-ANN באמצעות שיטות שונות של כריית מידע וניתוח בדומה לגישה של Salekin ו-Stankovic ב-CKD(מחלת כליות כרונית) תכונות כדי לראות אילו משחקים תפקיד גדול יותר. עם זאת, ישנן סתירות כאשר משתמשים בשיטות שונות כדי לזהות עדיפות של תכונה, כגון קבוצה של 5 שחולקת רק תכונה אחת עם המקרה של הדיוק הגבוה ביותר בממצאים של Ravindra וחב', אלבומין. בנוסף, גישת הירידה הממוצעת ב-Gini של Ahmad וחב' מצאה כי נפח תאים ארוז הוא הגורם המשמעותי ביותר, אולם לאף אחד מהמאמרים הקודמים לא יוחסה כל משמעות לגורם זה בתכונות הסופיות שהם בחרו עבור המערכות שלהם.

יש בעיות עם האופן שבו רשתות ANN מקבלים החלטות, ובמובן מסוים, להחלטות האלה יש איזשהו אלמנט של הטיה אנושית, מכיוון שהמפתחים מחליטים אילו תשומות לבטל כמיותרות ואילו לשמור. עם זאת, לסאלקין ולסטנקוביץ' יש נקודה טובה; יש לנו את האמצעים והגיע הזמן לפתח פתרון מדויק יותר חסכוני לזיהוי CKD(מחלת כליות כרונית) מטופלים מהר יותר, כך שאנשים נמנעים מכאב, מצוקה ומוות מופרזים.

3.0 חומרים ושיטות

3.1 תכנות ה-ANN

MATLAB שימש ליצירת אב טיפוס מהיר מכיוון שהוא מאפשר יצירה מקורית של ANNs באמצעות ארגז הכלים ללמידה עמוקה שלה ללא שום קידוד נוסף. איור 1 מספק תמונת מצב של כלי ההדרכה של ANN של ארגז הכלים ללמידה עמוקה. בעקבות Kanban, כל המשימות לפרויקט ממוקמות על לוח וירטואלי, כמו Trello, עם עמודות שונות למשימות שכבר הושלמו (כגון החלטה על פונקציונליות המערכת, איסוף נתונים, לוח זמנים לתכנון, סיום הדוח המקדים, מילוי טופס אתיקה וכו'), משימות בתהליך השלמה (סיום דו"ח חקירה) ומשימות שיש להשלים בעתיד (נקי נתונים, אימון AI עם נתונים, תוצאות מסמכים וכו'). העיקרון הבסיסי הוא לשמור על גבול של עבודה בתהליך ולהיצמד אליו, להיות קבוע ככל האפשר מבלי לחרוג מהמגבלה ולקחת יותר מדי משימות בבת אחת, ולהמשיך עד סיום הפרויקט.

3.2 השגת נתוני ההדרכה והבדיקה

לאימון ובדיקה של המודל נבחנו שתי אפשרויות. האחד היה לפנות לבתי חולים מקומיים לקבלת מידע אנונימי על מטופלים לשימוש אקדמי בלבד, והשני היה למצוא מערך נתונים זמין לשימוש מקוון. מקוון הייתה העדפה, ונמצא מערך נתונים עם 400 רשומות חולים, 250 CKD(מחלת כליות כרונית) חולים, ו-150 חולים ללא CKD, נאספו מבתי החולים אפולו בטמילנאדו, הודו, במהלך חודשיים. היו 24 מאפיינים שונים, כפי שמוצג בטבלה 1. עם זאת, הרשומות לא היו שלמות, עם נתונים חסרים או פגומים במקרים רבים, כפי שקורה לעתים קרובות. אם כל הרשומות עם ערך ריק יוסרו, הרשומות הניתנות לשימוש היו רק מעט יותר מ-200. לפיכך, היה צורך לבדוק שיטות חלופיות לניקוי הנתונים ושמירת הרשומות הלא שלמות, כגון החלפת הערכים הריקים במצב, או הערך הנפוץ ביותר בתכונה, אך תוך התחשבות נוספת בערך הנפוץ ביותר שנראה ברשומות אחרות עבור אותה תכונה, בין רשומות שבאופן אחר דומות ביותר לרשומה עם התכונה החסרה.

Cistanche למחלת כליות

איור 1. כלי אימון רשתות עצביות, תכונה של ארגז הכלים ללמידה עמוקה

טבלה 1. רשימת תכונות

10 מהערכים היו גם טקסט המייצג ערכים בוליאניים, שגם אותם היה צריך לנקות ל-0 וערכים 1 מכיוון שמתקבלים רק ערכים מספריים לאימון ה-ANN. יתר על כן, קשה לבינה מלאכותית (AI) ללא הקשר של שפה לעשות את האסוציאציה ש"כן" הוא ההפך מ"לא" בניגוד ל-"1" ו-"0". בהתאם לתוצאות ניקוי הנתונים והרישומים שנשמרו, ייתכן שיש להסתמך על מקורות נתונים אחרים, כגון פנייה לבתי חולים לקבלת נתוני חולים אנונימיים.

4. תוצאות ודיון

בממוצע, הגיל הטיפוסי של CKD(מחלת כליות כרונית) נמצא כי החולים היו בין 55 ל-75, בעוד שגילם של חולים ללא CKD היה מופץ באופן שווה יותר. זה מראה כי CKD נפוץ יותר בקשישים, וזה סביר בהתחשב בהיעדר בעיות גנטיות, מכיוון שלוקח זמן ונזק מתמשך לכליות לפתח CKD.

סוכרת, הידועה גם בשם סוכרת, היא גורם סיכון המגביר את הסיכוי לחלות ב-CKD. למעשה, על פי ה-American National Kidney Foundation [13], כ-30% מחולי סוכרת מסוג 1 ו-40% מחולי סוכרת מסוג 2 סובלים מ-CKD בשלב מאוחר יותר בחיים. אם חולי סוכרת אינם מווסתים את רמות הגלוקוז בדמם באמצעות תרופות, זריקות אינסולין ודיאטה, רמות הגלוקוז הגבוהות סותמות את נימי הדם הזעירים בכליות, ופוגעות בכליות. כל חולי הסוכרת במערך הנתונים היו גם חולי CKD, עם יותר ממחצית ה- CKD(מחלת כליות כרונית) חולים חולי סוכרת.

ספירת תאי הדם האדומים בממוצע בחולי CKD נמוכה מזו של מטופלים ללא CKD, נעה בין 2 ל-6 מיליון במקום 4 עד 7 מיליון תאי דם אדומים בריאים למיקרוליטר דם. ספירת תאי דם אדומים נמוכה מעידה על אנמיה. הכליות מייצרות הורמון בשם Erythropoietin (EPO), שגורם לגוף לייצר תאי דם, שכמותם לא מיוצרים מספיק כאשר תפקוד הכליות פוחת עקב נזק מ-CKD [14]. ככזה, רמות ה-EPO יורדות, מה שגורם לספירת תאי הדם האדומים לרדת בתורו, ולכן גורם לאנמיה. זה מוביל פחות חמצן הנישא בכל הגוף, עייפות כללית, קוצר נשימה, גפיים קרות (ידיים ורגליים), ובמקרים הגרועים ביותר, מוות.

נתרן ואשלגן הם מלחים מינרלים חיוניים הדרושים לגוף האדם. עם זאת, ניתן לחרוג ממגבלת הצריכה היומית, כמו במים. בדרך כלל, הכליות מנקות את עודפי המלחים והנוזלים, בעיית בוטן מתעוררת כשהן כבר לא מתפקדות כפי שהן אמורות לפעול. זה מוביל להצטברות נוזלים ברקמות ובמחזור הדם, מה שגורם ללחץ דם גבוה, כמו גם לבחילה, חולשה וקצב לב חריג [15]. אשלגן הוא בטווח של 3.3 עד 5.25 עבור חולים ללא CKD עם שונות גבוהה ונתרן ב 135 עד 151. עם זאת, ערכי אשלגן של CKD(מחלת כליות כרונית) חולים יכולים להגיע לשיא של עד 48.4, בערך פי 10 מהכמות הרגילה, כאשר נתרן מגיע לשיא של 170.4.

ישנם ערכים רבים בנתוני הקלט שיש להם תכונות מקושרות דומות, כגון המוגלובין, ספירת תאי דם אדומים ואנמיה. באופן טבעי, ספירת תאי דם אדומים נמוכה והמוגלובין נמוך מתואמים עם התפתחות אנמיה. באופן דומה, יש מתאם בין רמות אשלגן ונתרן עם לחץ דם גבוה, כמו גם רמות גלוקוז בדם, סוכר והיות סוכרת. תאי מוגלה וגושי תאי מוגלה, כמו גם ערכי חיידקים, מתואמים גם הם שכן נוכחותם של חיידקים גורמת למוגלה, שקודמת לגושים של תאי מוגלה. זה יכול לשמש כדי להפחית את מספר הכניסות או להילקח בחשבון בעת ​​ניקוי הנתונים והוספת הערכים הלא שלמים. המשקולות שה-ANN מציב על כל קלט אינדיבידואלי יהיו באמצעות אימון ולא יוגדרו באופן ידני, כך שעדיין לא נראה אם ​​הניתוח תואם את תהליך קבלת ההחלטות של הרשת העצבית עצמה.

5. מסקנה

הנתונים שנותחו של המטופלים מראים דפוס ברור באמצעות ניתוח נתונים ידני אפילו לעין האנושית. ANN עשוי להיות מסוגל לראות דפוסים הרבה יותר עדינים בנתונים המספריים, ולכן יכול להציג רמת דיוק גבוהה במונחים של אבחון CKD(מחלת כליות כרונית) בחולים באמצעות התבוננות בערכי התכונות הקיימות בנוזלי הגוף שלהם. למעשה, סקירת מאמרים בנושא דומה מראה שניתן לצמצם את מספר התכונות ולהפחית את הבדיקות והנוזלים הנאספים מהמטופל. לכן, עם הפחתה בעלות ובמאמץ, ניתן לבצע ירידה מינימלית ברמת דיוק התוצאה עקב המתאם הגבוה באופן עקבי המוצג בין כמה ערכים.

Cistanche למחלת כליות