BƯỚC ĐẦU XÁC ĐỊNH THÔNG SỐ XÂY DỰNG MẠNG LƯỚI THẦN KINH NHÂN TẠO TRONG ƯỚC LƯỢNG ĐỘ LỌC CẦU THẬN

Văn Hy Triết1,2,, Võ Minh Tuấn1, Nguyễn Trương Công Minh1,2, Lê Quốc Tuấn2,3, Nguyễn Thị Lệ1,2, Lê Thị Mai Dung1
1 Đại học Y Dược TP. Hồ Chí Minh.
2 Bệnh viện Đại học Y Dược TP. Hồ Chí Minh cơ sở 2
3 Đại học Y Dược TP. Hồ Chí Minh

Nội dung chính của bài viết

Tóm tắt

Mục tiêu: Tìm ra những thông số có mối tương quan chặt chẽ bằng cách sử dụng mô hình mạng lưới thần kinh nhân tạo học hỏi từ các công thức eGFR trong các xét nghiệm sinh hóa (glucose, albumin, protein, axit uric, urê, creatinin trong máu và creatinin trong nước tiểu) và các thông số sinh học (tuổi, giới tính, BMI, huyết áp, chiều cao, cân nặng vòng eo, vòng mông) để làm cơ sở xây dựng các mô hình ANN tiếp theo. Phương pháp nghiên cứu: Cắt ngang mô tả trên các đối tượng tình nguyện sinh sống tại thành phố Hồ Chí Minh và Vũng Tàu, các đối tượng bệnh thận mạn tại phòng khám thận, bệnh viện Đại học Y Dược TP. Hồ Chí Minh cơ sở 2. Khảo sát các yếu tố tuổi, giới, chiều cao, cân nặng, huyết áp, vòng eo, vòng mông, BMI, glucose, ure, creatinin, protein, albumin, acid uric trong máu và creatinin trong nước tiểu 24 giờ. Kết quả: Có 161 người tham gia trong đó có 115 người tình nguyện khỏe mạnh và 46 người bệnh thận mạn. Xác định 3 thông số protein, creatinin huyết thanh, cân nặng có tương quan chặt chẽ với mạng lưới thần kinh nhân tạo từ các công thức ước lượng độ lọc cầu thận thiết lập. Kết luận: Sử dụng 3 thông số xét nghiệm có tương quan chặt chẽ với eGFR là protein, creatinin huyết thanh, cân nặng có thể sử dụng dữ liệu để xây dựng mô hình ANN trong việc ước lượng độ lọc cầu thận.

Chi tiết bài viết

Tài liệu tham khảo

1. Levey AS, Inker LA. GFR as the "Gold Standard": Estimated, Measured, and True. American journal of kidney diseases : the official journal of the National Kidney Foundation. 2016;67 1:9-12.
2. Liu X, Li NS, Lv LS, Huang JH, Tang H, Chen JX, et al. A comparison of the performances of an artificial neural network and a regression model for GFR estimation. Am J Kidney Dis. 2013;62(6):1109-15. Epub 2013/09/10. doi: 10.1053/j.ajkd.2013.07.010. PubMed PMID: 24011972.
3. Zhao L, Zhang JJ, Tian X, Huang JM, Xie P, Li XZ. The ensemble learning model is not better than the Asian modified CKD-EPI equation for glomerular filtration rate estimation in Chinese CKD patients in the external validation study. BMC Nephrol. 2021;22(1):372. Epub 2021/11/11. doi: 10.1186/s12882-021-02595-5. PubMed PMID: 34753430; PubMed Central PMCID: PMCPMC8579608.
4. Li N, Huang H, Qian H-Z, Liu P, Lu H, Liu X. Improving accuracy of estimating glomerular filtration rate using artificial neural network: model development and validation. Journal of Translational Medicine. 2020;18(1):120. doi: 10.1186/s12967-020-02287-y.
5. Liu X, Li N, Lv L, Fu Y, Cheng C, Wang C, et al. Improving precision of glomerular filtration rate estimating model by ensemble learning. J Transl Med. 2017;15(1):231. Epub 2017/11/11. doi: 10.1186/s12967-017-1337-y. PubMed PMID: 29121946; PubMed Central PMCID: PMCPMC5679185.
6. Levey AS, Stevens LA, Schmid CH, Zhang YL, Castro AF, 3rd, Feldman HI, et al. A new equation to estimate glomerular filtration rate. Ann Intern Med. 2009;150(9):604-12. Epub 2009/05/06. doi: 10.7326/0003-4819-150-9-200905050-00006. PubMed PMID: 19414839; PubMed Central PMCID: PMCPMC2763564.
7. Liu X, Pei X, Li N, Zhang Y, Zhang X, Chen J, et al. Improved glomerular filtration rate estimation by an artificial neural network. PloS one. 2013;8(3):e58242-e. Epub 2013/03/13. doi: 10.1371/journal.pone.0058242. PubMed PMID: 23516450.
8. Vũ Quang Huy, Văn Hy Triết, Lê Thị Mỹ Dạ, Lê Thị Mai Dung. Khảo sát mối liên hệ một số xét nghiệm với chỉ số lọc cầu thận thiết lập. Tạp chí Y học Thành phố Hồ Chí Minh chuyên đề Điều dưỡng - Kỹ thuật Y học. 2020;tập 24 (5),:171-7.
9. Chang TJ, Zheng CM, Wu MY, Chen TT, Wu YC, Wu YL, et al. Relationship between body mass index and renal function deterioration among the Taiwanese chronic kidney disease population. Sci Rep. 2018;8(1):6908. Epub 2018/05/04. doi: 10.1038/s41598-018-24757-6. PubMed PMID: 29720598; PubMed Central PMCID: PMCPMC5932053.