Nierenfunktionsstörung bei indigener Bevölkerung: Machine Learning identifiziert Hochrisiko-Profile für Screening
Von KI ausgewählt und zusammengefasst
Worum es geht
Sekundäranalyse der Odisha Tribal Family Health Survey mit 19.703 erwachsenen Angehörigen von 53 indigenen Gemeinschaften zur Prävalenz eingeschränkter Nierenfunktion (eGFR <90) und Entwicklung von Deep-Neural-Network- und XGBoost-Vorhersagemodellen.
Ergebnis
Gesamtprävalenz eingeschränkter Nierenfunktion 24,8% (95%-KI 23,8-25,9): davon 16,6% mild, 6,4% moderat, 1,5% schwer, 0,3% Nierenversagen. Prävalenz stieg mit Alter (5,6% bei 18-30 Jahren vs. 79,4% bei >70 Jahren). Deep-Neural-Network-Modell: Genauigkeit 0,78, Recall 0,69 (verbessert auf 0,78 bei Schwellenwert 0,4). SHAP-Analyse identifizierte Alter, Hypertonie, Diabetes, Tabak- und Alkoholkonsum sowie niedrige Ernährungsdiversität als Schlüsselprädikatoren. Decision-Curve-Analyse deutete auf Nutzen ML-basierter gezielter Screenings hin.
Übertragbarkeit auf Deutschland
Südasien mit extremem Ressourcenmangel; ML-Modelle könnten auch in ähnlich ressourcenlimitierten deutschen Settings (ländliche Regionen) einsetzbar sein.
Originalstudie in PubMedIm Hub ansehenNeue Studien per E-Mail
Auswahl und deutsche Zusammenfassung stammen von einer KI und sind nicht redaktionell geprüft. Maßgeblich ist die Originalpublikation.