Jen-Ping Lee, Yu-Lin Chao, Ping-Hsun Wu, Yun-Shiuan Chuang, Chan Hsu, Pei-Yu Wu, Szu-Chia Chen, Wei-Chung Tsai, Yi-Wen Chiu, Shang-Jyh Hwang, Yi- Ting Lin, Mei-Chuan Kuo
Objectif : La fonction cardiaque est un prédicteur fiable et apparemment indépendant de la mortalité toutes causes confondues et de la mortalité cardiovasculaire chez les personnes sous hémodialyse (HD). Le besoin crucial d'une évaluation efficace de la fonction cardiaque nous a conduit à explorer le potentiel de l'utilisation d'échantillons sanguins accessibles pour l'évaluation. Dans cette étude, nous avons exploité avec prudence la protéomique cardiovasculaire en conjonction avec des techniques d'apprentissage automatique (ML) pour explorer la faisabilité de la prédiction de la fonction cardiaque chez les patients sous hémodialyse.
Méthodes : Une cohorte de 328 patients HD a été constituée dans deux unités situées dans le sud de Taïwan. À l'aide d'essais d'extension de proximité, une mesure complète de 184 protéines cardiovasculaires a été réalisée. En utilisant l'apprentissage automatique, nous avons optimisé un modèle de prédiction du dysfonctionnement cardiaque basé sur la fraction d'éjection. Les performances du modèle ont été évaluées à l'aide de la méthode Area Under the Curve (AUC), tandis que la méthode de signification de la moyenne hiérarchique des valeurs de Shapley (SHAP) a été utilisée pour identifier les variables cruciales pour la prédiction.
Résultats : En utilisant un ensemble de données englobant 184 biomarqueurs protéomiques et 34 variables cliniques standard dans notre cadre analytique, il a été discerné que l'efficacité prédictive des « biomarqueurs protéomiques » surpassait celle des « variables cliniques et de laboratoire de routine » en utilisant divers algorithmes d'apprentissage automatique, y compris les modèles Classification And Regression Tree (CART), Least Absolute Shrinkage And Selection Operator (LASSO), Random Forest, Ranger et Extreme Gradient Boosting (XgBoost). Grâce à l'application de XgBoost pour la sélection des caractéristiques, l'importance du peptide natriurétique de type pro-B N-terminal (NT-proBNP) est apparue comme le principal contributeur, complétée par les rôles prédictifs de l'enzyme de conversion de l'angiotensine 2 (ACE-2) et de la chitotriosidase-1 (CHIT-1) dans la détermination du dysfonctionnement cardiaque. Cet alignement a été réaffirmé par l'élucidation basée sur SHAP du modèle XgBoost.
Conclusion : Les caractéristiques protéomiques ont surpassé les variables cliniques dans la prédiction du dysfonctionnement cardiaque à l'aide de l'apprentissage automatique. Des analyses plus poussées avec XgBoost et SHAP ont mis en évidence le NT-proBNP et le CHIT-1 comme biomarqueurs cruciaux, mettant en lumière l'évaluation du dysfonctionnement cardiaque chez les patients HD grâce à des biomarqueurs sanguins.