あなたは歯科・医療関係者ですか?

WHITE CROSSは、歯科・医療現場で働く方を対象に、良質な歯科医療情報の提供を目的とした会員制サイトです。

日本語AIでPubMedを検索

日本語AIでPubMedを検索

PubMedの提供する医学論文データベースを日本語で検索できます。AI(Deep Learning)を活用した機械翻訳エンジンにより、精度高く日本語へ翻訳された論文をご参照いただけます。
Transl Androl Urol.2020 Jun;9(3):1232-1243. tau-09-03-1232. doi: 10.21037/tau.2020.03.45.

腎部分切除術後の孤腎患者における急性腎障害:発生率,危険因子,予測

Acute kidney injury in solitary kidney patients after partial nephrectomy: incidence, risk factors and prediction.

  • Kun Zhu
  • Haifeng Song
  • Zhenan Zhang
  • Binglei Ma
  • Xiaoyuan Bao
  • Qian Zhang
  • Jie Jin
PMID: 32676406 PMCID: PMC7354300. DOI: 10.21037/tau.2020.03.45.

抄録

研究の背景:

孤腎患者の部分腎摘出術(PN)後の急性腎障害(AKI)の発生率と危険因子を解析し、ロジスティック回帰分析と機械学習(ML)手法を用いてAKI予測モデルを構築することを目的とした。

Background: To analyze the incidence and risk factors of acute kidney injury (AKI) after partial nephrectomy (PN) in patients with solitary kidney, and to build AKI prediction models using logistic regression and machine learning (ML) approaches.

方法:

2003年1月から2019年3月までにPNを受けた腎腫瘤を有する孤腎患者87例の臨床データを収集した。AKI の診断は KDIGO 基準に基づいて行った。予測モデルの構築にはロジスティック回帰分析とML法を用いた。

Methods: Clinical data of 87 solitary kidney patients with renal mass who received PN from January 2003 to March 2019 were collected. The diagnosis of AKI was based on KDIGO criteria. Logistic regression analysis and ML method were used to build prediction models.

結果:

AKIは52例(59.8%)で発症した。ロジスティック回帰モデルは、虚血時間(P=0.003)、手術時間(P=0.001)、術前空腹時血糖値(FBG)(P=0.049)の3つの変数を設定した。曲線下面積(AUC)は0.826で、最適閾値の特異度は82.9%、感度は69.2%であった。MLモデルは、虚血時間、手術時間、年齢、FBG、平均動脈圧(MAP)、コロイド、クリスタロイドなどを変数とした。XGBoostモデルが最も予測性能が高かった。AUCは0.749と統計的差のないロジスティック回帰モデルよりも低く(P=0.258),特異度は62.9%,感度は84.6%であった。

Results: AKI developed in 52 (59.8%) patients. The logistic regression model had three variables: ischemia time (P=0.003), surgery time (P=0.001) and preoperative fasted blood glucose level (FBG) (P=0.049). The area under curve (AUC) was 0.826, with the specificity and sensitivity of optimal threshold value 82.9% and 69.2%. The ML model had the following variables: ischemia time, surgery time, age, FBG, mean arterial pressure (MAP), colloid, crystalloid, etc. XGBoost model has the best prediction performance. The AUC was 0.749, lower than that of the logistic regression model with no statistical difference (P=0.258), with the specificity and sensitivity 62.9% and 84.6%, respectively.

結論:

孤腎患者におけるPN後のAKIの発生率は比較的高く、虚血時間の延長、手術時間、FBG値の上昇などと関連していた。MLモデルの性能はロジスティック回帰モデルと有意差はなかった。本研究で得られた知見を検証するためには、より大規模なサンプルサイズの前向き研究が待たれている。

Conclusions: The incidence of AKI after PN in patients with a solitary kidney was relatively high, it was associated with longer ischemia time, surgery time and higher FBG level, etc. The performance of ML model had no significant difference with logistic regression model. Prospective studies with larger sample sizes are awaited to test and verify our research findings.

2020 Translational Andrology and Urology. All rights reserved.