Published November 1, 2023
| Version v1
Publication
Open
Diagnosis of Chronic Kidney Disease Using Machine Learning Algorithm
- 1. Wuhan University of Technology
- 2. Sukkur IBA University
- 3. International Islamic University, Islamabad
Description
A large percentage of people globally suffer from chronic kidney disease (CKD), a serious health concern. Effective diagnosis, treatment, and referral of CKD depend heavily on early identification and prediction of the disease. However, it is difficult to evaluate and derive significant insights from health data due to its vast and complicated nature. Engineers and medical researchers are using data mining techniques and machine learning algorithms to create predictive models for chronic kidney disease (CKD) in an effort to address this issue. The goal of this research is to create and validate predictive models for chronic kidney disease (CKD) based on a variety of clinical factors, including albuminuria, age, diet, eGFR, and pre-existing medical problems. The objective is to estimate the likelihood of renal failure, which may necessitate kidney dialysis or a transplant, and to evaluate the degree of kidney disease. With the use of this knowledge, patients and healthcare providers should be able to make well-informed decisions about diagnosis, treatment, and lifestyle changes. Patterns in the gathered data can be found, and future incidence of CKD or other related diseases can be predicted, by utilising MLT such as ANN and data mining techniques. Finding novel characteristics linked to the onset of renal disease and adding more trustworthy data from CKD patients. The best algorithm to categorise the data as CKD or NOT_CKD is chosen throughout the design process, and the data is then classified according to this differentiation. Estimated glomerular filtration rate (eGFR), which offers important details about the patient's current kidney function, is used to classify cases of chronic kidney disease. By combining complete patient data with machine learning algorithms, this research advances the diagnosis of chronic kidney disease (CKD) and improves patient outcomes.
Translated Descriptions
⚠️
This is an automatic machine translation with an accuracy of 90-95%
Translated Description (Arabic)
تعاني نسبة كبيرة من الناس على مستوى العالم من مرض الكلى المزمن (CKD)، وهو مصدر قلق صحي خطير. يعتمد التشخيص والعلاج والإحالة الفعالة لمرض الكلى المزمن بشكل كبير على التحديد المبكر للمرض والتنبؤ به. ومع ذلك، من الصعب تقييم واستخلاص رؤى مهمة من البيانات الصحية بسبب طبيعتها الواسعة والمعقدة. يستخدم المهندسون والباحثون الطبيون تقنيات استخراج البيانات وخوارزميات التعلم الآلي لإنشاء نماذج تنبؤية لأمراض الكلى المزمنة (CKD) في محاولة لمعالجة هذه المشكلة. الهدف من هذا البحث هو إنشاء والتحقق من صحة النماذج التنبؤية لأمراض الكلى المزمنة (CKD) بناءً على مجموعة متنوعة من العوامل السريرية، بما في ذلك بيلة الألبومين، والعمر، والنظام الغذائي، ومعدل الترشيح الكبيبي، والمشاكل الطبية الموجودة مسبقًا. والهدف من ذلك هو تقدير احتمال حدوث الفشل الكلوي، مما قد يستلزم غسيل الكلى أو زرع الكلى، وتقييم درجة مرض الكلى. باستخدام هذه المعرفة، يجب أن يكون المرضى ومقدمو الرعاية الصحية قادرين على اتخاذ قرارات مستنيرة بشأن التشخيص والعلاج وتغيير نمط الحياة. يمكن العثور على أنماط في البيانات التي تم جمعها، ويمكن التنبؤ بحدوث أمراض الكلى المزمنة أو الأمراض الأخرى ذات الصلة في المستقبل، من خلال استخدام تقنيات غسل الأموال مثل ANN وتقنيات استخراج البيانات. العثور على خصائص جديدة مرتبطة بظهور مرض الكلى وإضافة المزيد من البيانات الجديرة بالثقة من مرضى أمراض الكلى المزمنة. يتم اختيار أفضل خوارزمية لتصنيف البيانات على أنها CKD أم لا_CKD طوال عملية التصميم، ثم يتم تصنيف البيانات وفقًا لهذا التمايز. يستخدم معدل الترشيح الكبيبي المقدر (eGFR)، والذي يقدم تفاصيل مهمة حول وظيفة الكلى الحالية للمريض، لتصنيف حالات أمراض الكلى المزمنة. من خلال الجمع بين بيانات المريض الكاملة وخوارزميات التعلم الآلي، يقدم هذا البحث تشخيص أمراض الكلى المزمنة (CKD) ويحسن نتائج المرضى.Translated Description (French)
Un grand pourcentage de personnes dans le monde souffrent d'insuffisance rénale chronique (IRC), un grave problème de santé. Le diagnostic, le traitement et l'orientation efficaces de l'IRC dépendent fortement de l'identification et de la prédiction précoces de la maladie. Cependant, il est difficile d'évaluer et de tirer des enseignements significatifs des données de santé en raison de leur nature vaste et compliquée. Les ingénieurs et les chercheurs médicaux utilisent des techniques d'exploration de données et des algorithmes d'apprentissage automatique pour créer des modèles prédictifs de l'insuffisance rénale chronique (IRC) afin de résoudre ce problème. L'objectif de cette recherche est de créer et de valider des modèles prédictifs de l'insuffisance rénale chronique (IRC) basés sur divers facteurs cliniques, notamment l'albuminurie, l'âge, l'alimentation, le DFGe et les problèmes médicaux préexistants. L'objectif est d'estimer la probabilité d'insuffisance rénale, ce qui peut nécessiter une dialyse rénale ou une greffe, et d'évaluer le degré d'insuffisance rénale. Grâce à ces connaissances, les patients et les prestataires de soins de santé devraient être en mesure de prendre des décisions éclairées concernant le diagnostic, le traitement et les changements de mode de vie. Les modèles dans les données recueillies peuvent être trouvés, et l'incidence future de l'IRC ou d'autres maladies connexes peut être prédite, en utilisant des techniques de MLT telles que l'ANN et l'exploration de données. Trouver de nouvelles caractéristiques liées à l'apparition de la maladie rénale et ajouter des données plus fiables sur les patients atteints de MRC. Le meilleur algorithme pour catégoriser les données comme CKD ou NOT_CKD est choisi tout au long du processus de conception, et les données sont ensuite classées en fonction de cette différenciation. Le débit de filtration glomérulaire estimé (DFGe), qui offre des détails importants sur la fonction rénale actuelle du patient, est utilisé pour classer les cas d'insuffisance rénale chronique. En combinant des données complètes sur les patients avec des algorithmes d'apprentissage automatique, cette recherche fait progresser le diagnostic de l'insuffisance rénale chronique (IRC) et améliore les résultats pour les patients.Translated Description (Spanish)
Un gran porcentaje de personas en todo el mundo sufren de enfermedad renal crónica (ERC), un grave problema de salud. El diagnóstico, el tratamiento y la derivación efectivos de la ERC dependen en gran medida de la identificación y predicción tempranas de la enfermedad. Sin embargo, es difícil evaluar y obtener información significativa de los datos de salud debido a su naturaleza vasta y complicada. Los ingenieros e investigadores médicos están utilizando técnicas de minería de datos y algoritmos de aprendizaje automático para crear modelos predictivos para la enfermedad renal crónica (ERC) en un esfuerzo por abordar este problema. El objetivo de esta investigación es crear y validar modelos predictivos para la enfermedad renal crónica (ERC) basados en una variedad de factores clínicos, como la albuminuria, la edad, la dieta, la TFGe y los problemas médicos preexistentes. El objetivo es estimar la probabilidad de insuficiencia renal, que puede requerir diálisis renal o un trasplante, y evaluar el grado de enfermedad renal. Con el uso de este conocimiento, los pacientes y los proveedores de atención médica deberían poder tomar decisiones bien informadas sobre el diagnóstico, el tratamiento y los cambios en el estilo de vida. Se pueden encontrar patrones en los datos recopilados, y se puede predecir la incidencia futura de ERC u otras enfermedades relacionadas, utilizando MLT como ANN y técnicas de minería de datos. Encontrar características novedosas relacionadas con la aparición de la enfermedad renal y añadir datos más fiables de los pacientes con ERC. El mejor algoritmo para categorizar los datos como ERC o NO ERC se elige a lo largo del proceso de diseño, y los datos se clasifican según esta diferenciación. La tasa de filtración glomerular estimada (TFGe), que ofrece detalles importantes sobre la función renal actual del paciente, se utiliza para clasificar los casos de enfermedad renal crónica. Al combinar datos completos de los pacientes con algoritmos de aprendizaje automático, esta investigación avanza en el diagnóstico de la enfermedad renal crónica (ERC) y mejora los resultados de los pacientes.Files
479.pdf
Files
(146 Bytes)
| Name | Size | Download all |
|---|---|---|
|
md5:9fe3cb2b7313dc79bb477bc8fde184a7
|
146 Bytes | Preview Download |
Additional details
Additional titles
- Translated title (Arabic)
- تشخيص مرض الكلى المزمن باستخدام خوارزمية التعلم الآلي
- Translated title (French)
- Diagnostic de la maladie rénale chronique à l'aide d'un algorithme d'apprentissage automatique
- Translated title (Spanish)
- Diagnóstico de la enfermedad renal crónica mediante el algoritmo de aprendizaje automático
Identifiers
- Other
- https://openalex.org/W4391409799
- DOI
- 10.59324/ejtas.2023.1(6).110
References
- https://openalex.org/W2051106546
- https://openalex.org/W2526259914
- https://openalex.org/W2581082771
- https://openalex.org/W2788686457
- https://openalex.org/W2799759592
- https://openalex.org/W2901685049
- https://openalex.org/W2940790545
- https://openalex.org/W2947551377
- https://openalex.org/W2953576016
- https://openalex.org/W2953793731
- https://openalex.org/W2963041618
- https://openalex.org/W2971526870
- https://openalex.org/W2998401283
- https://openalex.org/W3003482962
- https://openalex.org/W3018821700
- https://openalex.org/W3022179567
- https://openalex.org/W3042433352
- https://openalex.org/W3048174094
- https://openalex.org/W3093389643
- https://openalex.org/W3094329596
- https://openalex.org/W3158076558
- https://openalex.org/W3165685657
- https://openalex.org/W3199752250
- https://openalex.org/W3212558710
- https://openalex.org/W4284898519
- https://openalex.org/W4292962593
- https://openalex.org/W4295514273