盘考亮点

CKD精确分层：基于PSG表型与XGBoost模子兑现慢性肾病（CKD）全病程精确分级，外部考证展现不凡的泛化性能。

PSG表型理会：揭示夜间醒后难以再次入睡、呼吸暂停时长及HRV等中枢展望特征，标明自主神袭取损与缺氧负荷是CKD的潜在机制。

盘考问题

慢性肾病（CKD）是一种以肾功能慢慢败落为特征的进行性疾病，常陪伴贫血、心血管疾病及代谢功能终止，最终可发展为最后期肾病（ESKD），严重要挟患者人命与家庭福祉。传统筛查技巧主要依赖血清肌酐、肾小球滤过率（eGFR）等生化观点，不仅会诊滞后，且受限于有创性及医疗资源门槛，难以应用于大范围早期筛查，时时导致患者错失最好搅扰窗口。

与此同期，寝息终止（如寝息呼吸暂停、失眠）在CKD患者中高发。盘考标明，寝息终止不仅是CKD的风险成分，更通过低氧、炎症及自主神经失调等机制进一步加重肾功能毁伤。关系词，尽管二者病理机制关系明确，但既往盘考多局限于主不雅问卷或单一世理信号，未能充分行使大范围、多维度的客不雅寝息数据，这适度了其在CKD精确分级及个性化管制中的应用后劲。

综上，Erdenebayar Urtnasan团队建议了一种基于多维度寝息表型数据的改进筛查框架，试图考证：通过集成学习（ensemble learning）算法，能否仅凭PSG寝息数据精确展望CKD的严重历程分期？

盘考行径

► 数据集构建

➢ 西宾/测试集：通过倾向性评分匹配纳入了基线可比的358名CKD受试者。

➢ 外部考证集：纳入大样本健康寝息数据集，共1016例。

► 特征工程

➢ 特征索求：从PSG中索求了1210个临床表型特征，涵盖呼吸事件、寝息结构、心血管信号、肢体绽开、血氧充足度等，全面形容了患者的夜间生理图谱。

➢ 特征筛选：当先，通过卡方进修剔除无关变量。随后，应用基于有打算树模子的特征迫切性评分衔尾交叉考证的递归特征摒除（RFE）工夫，筛选出最具判别力的要害特征子集。

► 模子构建

➢ 算法矩阵：盘考团队摄取了四种主流的集成学习算法。

■ 就地丛林（random forest， RF）：通过袋装法（bagging）裁汰方差，缔造基线厚实性。

■ 顶点梯度晋升（XGBoost）、轻量梯度晋升（LightGBM）与分类晋升（CatBoost）：均通过晋升法（boosting）来迭代修正弊端，迫临最优解。三者分别在正则化适度、狡计速率及类别特征处理上展现特有上风。

➢ 分类标的：依据eGFR（mL/min/1.73 m²）圭臬，对受试者进行Stage 1-5的详尽化分级，层级越高，CKD病程更严重。

■ Stage 1（STG1）：大于 90 mL/min/1.73 m²

■ Stage 2（STG2）： 60–89 mL/min/1.73 m²

■Stage 3a（STG3a）： 45–59 mL/min/1.73 m²

■ Stage 3b（STG3b）： 30–44 mL/min/1.73 m²

■ Stage 4（STG4）： 15–29 mL/min/1.73 m²

■ Stage 5（STG5）：小于 15 mL/min/1.73 m²

➢ 数据叛逆衡处理：为治理CKD分期上的数目偏倚问题，开云sports在西宾阶段使用了SMOTE工夫来履行Stage 5的样本，但在测试阶段使用真确散播，以确保评估遣散的临床真确性。

主要遣散

1. 模子分类遵循评估

➢ 四种集成学习模子在CKD多分类任务（Stage 1-5）中均展现出正经性能。其中，XGBoost模子的笼统进展优于其他三类模子：

■ XGBoost：Accuracy = 0.79，AUC = 0.94；

■ CatBoost：Accuracy = 0.61，AUC = 0.94；

■ LightGBM：Accuracy = 0.75，AUC = 0.98；

■ random forest：Accuracy = 0.77，AUC = 0.92；

➢ 在分层遵循上，XGBoost在永别轻度CKD（Stage 2）及CKD重症阶段（Stage 3-5）的进展上均优于其他三类模子（Stage 2：AUC = 0.95；Stage 3-5：AUC > 0.89），阐明了其捕捉疾病全病程微弱特征的才能。

图1 集成学习模子在西宾集上的ROC弧线分析

图a-d分别展示了就地丛林、XGBoost、LightGBM及CatBoost四种算法在不同CKD分期（Stage 1-5）下的分类遵循弧线。AUC数值越高，标明模子永别对应CKD分期的才能越强。

2. 外部数据集泛化考证

➢ 四类模子均展现了刚劲的泛化才能。极端地，XGBoost模子在永别晚期CKD各阶段的进展上均优于其他三类模子（Stage 3b：AUC = 0.97；Stage 4：AUC = 0.98；Stage 5：AUC = 1.00）。

图2 集成学习模子在外部考证集上的ROC弧线分析

图a-d分别展示了就地丛林、XGBoost、LightGBM及CatBoost四种算法在空闲测试队伍中对各CKD分期的分类遵循。

3. 要害表型特征理会

➢ 特征迫切性分析（SHAP）长远，夜间醒后难以再次入睡在XGBoost、LightGBM及CatBoost模子中均为展望CKD分级的中枢展望特征。此外，REM期呼吸暂停时长、血氧下落及HRV等观点也占据高权重，揭示了夜间间歇性低氧、自主神袭取损与CKD的严重历程存在密切关系。

图3 基于SHAP值的CKD要害展望特征迫切性排序

图a-d分别展示了就地丛林、XGBoost、LightGBM及CatBoost四种集成学习模子中，展望孝敬度最高的临床表型特征（按平均SHAP值排序）。

论断与启示

该盘考改进性地构建了基于PSG赓续集成学习模子的无创筛查框架，阐明仅凭夜间寝息生理表型即可精确分级CKD严重历程（尤其是XGBoost模子）。极端地，盘考揭示夜间醒后难以再次入睡、呼吸暂停时长及HRV等是永别CKD严重历程的中枢展望特征，强有劲地支捏了寝息表型当作响应肾功能现象的潜在生物象征物的临床价值。

此外，该模子为临床提供了一种契机性筛查的新旅途：即行使既有寝息监测数据早期预警CKD风险，无需罕见侵入性检讨。改日，通过将HRV、血氧等要害特征移植至智能可衣服开发，并交融生化、基因等多模态数据，有望兑现CKD全病程的低资本居家监测与早期精确预警。

开始 | 神踪科技

对于咱们

浙大科技园启真脑机智能产业化基地是在浙大控股集团带领下，由浙江大学科技园发展有限公司与杭州改日科技城管委会共建，围绕脑机智能产业主体，辐照脑机+人命健康、脑机+智能制造、脑机+新一代信息工夫、脑机+新材料等边界的专科化特点产业基地，由杭州启真改日科技发展有限公司厚爱全面运营。

基地依托浙江大学在脑机智能方面的学科上风，以脑机智能当作中枢科技撑捏，贯彻浙江大学国度大学科技园“有组织科技效率滚动、有靶向科技企业孵化、有体系改日产业耕种”的办事体系，用功于于打造脑机智能边界具备效率长远度、区域影响力的产业化高地。