Construction and verification of prediction model of type 2 diabetic nephropathy based on machine learning

doi:10.11958/20231584

Abstract

Abstract:

Objective To search for independent predictive factors of diabetic kidney disease (DKD) in patients with type 2 diabetes mellitus (T2DM), construct and validate an optional machine learning (ML) model for the risk of DKD. Methods A total of 528 patients with T2DM, hospitalized in the Endocrinology Department of Chengde Central Hospital from October 2019 to September 2020, were selected as the study objects, and patients were randomly divided into a training set (370 cases), and a validation set (158 cases). The training set was divided into the DKD group (89 cases) and the non-DKD group (281 cases) according to whether DKD existed. The general data and diagnostic examination of patients were performed by univariate analysis, in which variables with statistical differences were used to screen the best predictors by least absolute shrinkage and selection operator (LASSO) regression analysis. The best predictors were used to establish eight ML algorithms by three cross-validation methods, including Logistic regression (LR), K-nearest neighbor (KNN), support vector machine (SVM), decision tree (DT), random forest (RF), naive Bayes (NB), artificial neural network (ANN), and extreme gradient lift (XGBoost). The optimal prediction model was selected by receiver operating characteristic (ROC) curve, Delong test and GiViTI calibration curve. Decision curve analysis (DCA) was used to evaluate the clinical practicability of the model. Results Age, alanine aminotransferase, creatinine, triglyceride, cystatin C, 25-hydroxy vitamin D and monocyte count were independent predictive factors of DKD. Eight ML models were established based on the above 7 predictors, and the ANN model performed best in the 8 ML models. The GiViTiI calibration curve indicated that the model had good accuracy (P>0.05), and the DCA showed that the prediction model curve had clinical practical value in the threshold probability range of 0.027-0.612. Conclusion In this study, the ANN model constructed in this study to predict the risk of DKD is helpful for early discrimination of high-risk T2DM patients with DKD.

Key words: diabetes mellitus, type 2, diabetic nephropathy, machine learning, monocytes, neural networks, computer, prediction model

CLC Number:

R587.24

Figures/Tables 7

References 20

[1]	VARGHESE R T, JIALAL I. Diabetic Nephropathy[M]. StatPearls. Treasure Island(FL): StatPearls Publishing Copyright© 2023,StatPearls Publishing LLC,2023.
[2]	ZHAO Z H, HUO L L, WANG L Y, et al. Survival of Chinese people with type 2 diabetes and diabetic kidney disease:a cohort of 12-year follow-up[J]. BMC Public Health, 2019, 19(1):1498. doi:10.1186/s12889-019-7859-x.
[3]	YUE S R, LI S S, HUANG X Y, et al. Machine learning for the prediction of acute kidney injury in patients with sepsis[J]. J Transl Med, 2022, 20(1):215. doi:10.1186/s12967-022-03364-0.
[4]	ABEGAZ T M, BALJOON A, KILANKO O, et al. Machine learning algorithms to predict major adverse cardiovascular events in patients with diabetes[J]. Comput Biol Med, 2023,164:107289. doi:10.1016/j.compbiomed.2023.107289.
[5]	中华医学会糖尿病学分会. 中国2型糖尿病防治指南(2020年版)[J]. 中华糖尿病杂志, 2021, 13(4):315-409.
	Chinese Diabetes Society. Guideline for the prevention and treatment of type 2 diabetes mellitus in China(2020 edition)[J]. Chin J Diabetes Mellitus, 2021, 13(4):315-409. doi:10.3760/cma.j.cn115791-20210221-00095.
[6]	中华医学会糖尿病学分会微血管并发症学组. 中国糖尿病肾脏病防治指南(2021年版)[J]. 中华糖尿病杂志, 2021, 13(8):762-784.
	Microvascular Complications Group of Chinese Diabetes Society. Clinical guideline for the prevention and treatment of diabetic kidney disease in China(2021 edition)[J]. Chin J Diabetes Mellitus, 2021, 13(8):762-784. doi:10.3760/cma.j.cn115791-20210706-00369.
[7]	PERKINS B A, BEBU I, DE BOER I H, et al. Risk factors for kidney disease in type 1 diabetes[J]. Diabetes Care, 2019, 42(5):883-890. doi:10.2337/dc18-2062.
[8]	XU B, LI S Q, KANG B, et al. The current role of sodium-glucose cotransporter 2 inhibitors in type 2 diabetes mellitus management[J]. Cardiovasc Diabetol, 2022, 21(1):83. doi:10.1186/s12933-022-01512-w.
[9]	ZOU Y T, ZHAO L J, ZHANG J L, et al. Development and internal validation of machine learning algorithms for end-stage renal disease risk prediction model of people with type 2 diabetes mellitus and diabetic kidney disease[J]. Ren Fail, 2022, 44(1):562-570. doi:10.1080/0886022x.2022.2056053.
[10]	LIU W, DU J, GE X X, et al. The analysis of risk factors for diabetic kidney disease progression:a single-centre and cross-sectional experiment in Shanghai[J]. BMJ Open, 2022, 12(6):e060238. doi:10.1136/bmjopen-2021-060238.
[11]	YANAGAWA T, KOYANO K, AZUMA K. Retrospective study of factors associated with progression and remission/regression of diabetic kidney disease-hypomagnesemia was associated with progression and elevated serum alanine aminotransferase levels were associated with remission or regression[J]. Diabetol Int, 2021, 12(3):268-276. doi:10.1007/s13340-020-00483-1.
[12]	PETROFF D, BÄTZ O, JEDRYSIAK K, et al. Age dependence of liver enzymes:an analysis of over 1,300,000 consecutive blood samples[J]. Clin Gastroenterol Hepatology, 2022, 20(3):641-650. doi:10.1016/j.cgh.2021.01.039.
[13]	FELÍCIO J S, DE RIDER BRITTO H A, CORTEZ P C, et al. Association between 25(OH)vitamin D,HbA1c and albuminuria in diabetes mellitus:data from a population-based study (VIDAMAZON)[J]. Front Endocrinol (Lausanne), 2021,12:12723502. doi:10.3389/fendo.2021.723502.
[14]	XU F, LU H Y, LAI T W, et al. Association between vitamin D status and mortality among adults with diabetic kidney disease[J]. J Diabetes Res, 2022,2022:9632355. doi:10.1155/2022/9632355.
[15]	HUANG H Y, LIN T W, HONG Z X, et al. Vitamin D and diabetic kidney disease[J]. Int J Mol Sci, 2023, 24(4):3571. doi:10.3390/ijms24043751.
[16]	NISHAD R, MUKHI D, KETHAVATH S, et al. Podocyte derived TNF-α mediates monocyte differentiation and contributes to glomerular injury[J]. FASEB J, 2022, 36(12):e22622. doi:10.1096/fj.202200923R.
[17]	许莉敏, 谢燕. 外周血单核细胞DNMT1及血清IL-6在糖尿病肾脏病中的表达及意义[J]. 天津医药, 2023, 51(2):194-198.
	XU L M, XIE Y. Expression and significance of peripheral blood mononuclear cell DNMT1 and serum IL-6 in diabetic nephropathy[J]. Tianjin Med J, 2023, 51(2):194-198. doi:10.11958/20220812.
[18]	ZENG H X, QI X M, XU X X, et al. TAB1 regulates glycolysis and activation of macrophages in diabetic nephropathy[J]. Inflamm Res, 2020, 69(12):1215-1234. doi:10.1007/s00011-020-01411-4.
[19]	OPAZO-RÍOS L, MAS S, MARÍN-ROYO G, et al. Lipotoxicity and diabetic nephropathy: novel mechanistic insights and therapeutic opportunities[J]. Int J Mol Sci, 2020, 21(7):2632. doi:10.3390/ijms21072632.
[20]	YU K P, LI D R, XU F P, et al. IDO1 as a new immune biomarker for diabetic nephropathy and its correlation with immune cell infiltration[J]. Int Immunopharmacol, 2021,94:107446. doi:10.1016/j.intimp.2021.107446.

组别			n	男性				年龄/岁			高血压病				冠心病				脑血管病		痛风				糖尿病家族史				吸烟史				饮酒史
非DKD组			281	145（51.6）				56（49，63）			129（45.9）				27（9.6）				27（9.6）		10（3.6）				167（59.4）				103（36.7）				112（39.9）
DKD组			89	53（59.6）				58（51，65）			57（64.0）				7（7.9）				7（7.9）		7（7.9）				59（66.3）				40（44.9）				40（44.9）
χ²或Z				1.717				2.507^＊			8.894^＊＊				0.246				0.246		1.962				1.339				1.959				0.722
组别	BMI≥24.0 kg/m²				脂肪肝				糖尿病病程											VFA/cm²			DR									HbA1c/%
组别	BMI≥24.0 kg/m²				脂肪肝				<1年			1~<10年				≥10年				VFA/cm²			NDR			NPDR				PDR		HbA1c/%
非DKD组	200（71.2）				181（64.4）				23（8.2）			131（46.6）				127（45.2）				93（73，118）			193（68.7）			86（30.6）				2（0.7）		8.9（7.6，10.5）
DKD组	76（85.4）				81（91.0）				4（4.5）			29（32.6）				56（62.9）				102（84，122）			34（38.2）			43（48.3）				12（13.5）		8.9（7.9，10.6）
χ²或Z	7.211^＊＊				23.136^＊＊				2.913^＊＊											1.924			5.716^＊＊									0.692
组别	FC-P/（mmol/L）					ALT/（U/L）				AST/（U/L）				UA/（μmol/L）				CR/（μmol/L）				TG/（mmol/L）					TC/（mmol/L）				HDL-C/（mmol/L）
非DKD组	1.87（1.29，2.64）					19（14，28）				16（13，22）				279±82				53（43，62）				1.78（1.24，2.70）					4.5（3.8，5.3）				1.20（1.05，1.34）
DKD组	1.57（1.16，2.45）					15（11，22）				14（12，17）				301±99				56（47，75）				2.19（1.31，3.54）					4.3（3.6，5.5）				1.17（0.99，1.36）
Z或t	1.826					3.631^＊＊				3.150^＊＊				2.136^＊				3.325^＊＊				2.312^＊					0.390				0.926
组别		LDL-C/（mmol/L）					Cys-C/（mg/L）						PTH/（ng/L）				25（OH）D/（μg/L）							Lym/（×10⁹/L）				Mon/（×10⁹/L）						TyG
非DKD组		2.39±0.79					0.95（0.86，1.05）						36.63（28.69，44.66）				14.88（10.32，19.06）							1.97（1.59，2.53）				0.37（0.29，0.47）						9.34±0.79
DKD组		2.28±1.01					1.07（0.96，1.21）						33.27（22.94，44.13）				11.73（8.64，16.06）							2.05（1.38，2.78）				0.44（0.31，0.63）						9.58±0.98
t或Z		1.097					5.728^＊＊						1.947				3.764^＊＊							0.020				2.658^＊＊						2.129^＊

组别			n	男性				年龄/岁			高血压病				冠心病				脑血管病		痛风				糖尿病家族史				吸烟史				饮酒史
非DKD组			281	145（51.6）				56（49，63）			129（45.9）				27（9.6）				27（9.6）		10（3.6）				167（59.4）				103（36.7）				112（39.9）
DKD组			89	53（59.6）				58（51，65）			57（64.0）				7（7.9）				7（7.9）		7（7.9）				59（66.3）				40（44.9）				40（44.9）
χ²或Z				1.717				2.507^＊			8.894^＊＊				0.246				0.246		1.962				1.339				1.959				0.722
组别	BMI≥24.0 kg/m²				脂肪肝				糖尿病病程											VFA/cm²			DR									HbA1c/%
组别	BMI≥24.0 kg/m²				脂肪肝				<1年			1~<10年				≥10年				VFA/cm²			NDR			NPDR				PDR		HbA1c/%
非DKD组	200（71.2）				181（64.4）				23（8.2）			131（46.6）				127（45.2）				93（73，118）			193（68.7）			86（30.6）				2（0.7）		8.9（7.6，10.5）
DKD组	76（85.4）				81（91.0）				4（4.5）			29（32.6）				56（62.9）				102（84，122）			34（38.2）			43（48.3）				12（13.5）		8.9（7.9，10.6）
χ²或Z	7.211^＊＊				23.136^＊＊				2.913^＊＊											1.924			5.716^＊＊									0.692
组别	FC-P/（mmol/L）					ALT/（U/L）				AST/（U/L）				UA/（μmol/L）				CR/（μmol/L）				TG/（mmol/L）					TC/（mmol/L）				HDL-C/（mmol/L）
非DKD组	1.87（1.29，2.64）					19（14，28）				16（13，22）				279±82				53（43，62）				1.78（1.24，2.70）					4.5（3.8，5.3）				1.20（1.05，1.34）
DKD组	1.57（1.16，2.45）					15（11，22）				14（12，17）				301±99				56（47，75）				2.19（1.31，3.54）					4.3（3.6，5.5）				1.17（0.99，1.36）
Z或t	1.826					3.631^＊＊				3.150^＊＊				2.136^＊				3.325^＊＊				2.312^＊					0.390				0.926
组别		LDL-C/（mmol/L）					Cys-C/（mg/L）						PTH/（ng/L）				25（OH）D/（μg/L）							Lym/（×10⁹/L）				Mon/（×10⁹/L）						TyG
非DKD组		2.39±0.79					0.95（0.86，1.05）						36.63（28.69，44.66）				14.88（10.32，19.06）							1.97（1.59，2.53）				0.37（0.29，0.47）						9.34±0.79
DKD组		2.28±1.01					1.07（0.96，1.21）						33.27（22.94，44.13）				11.73（8.64，16.06）							2.05（1.38，2.78）				0.44（0.31，0.63）						9.58±0.98
t或Z		1.097					5.728^＊＊						1.947				3.764^＊＊							0.020				2.658^＊＊						2.129^＊

数据集	LR					KNN					SVM
数据集	AUC（95%CI）		敏感度	特异度		AUC（95%CI）		敏感度		特异度	AUC（95%CI）		敏感度		特异度
训练集	0.786（0.730~0.842）		0.326	0.950		0.981（0.970~0.991）		0.618		0.986	0.871（0.824~0.918）		0.438		0.979
验证集	0.773（0.691~0.855）		0.316	0.950		0.793（0.711~0.875）		0.368		0.933	0.776（0.685~0.867）		0.342		0.967
D	0.255					4.467^＊＊					1.815
数据集	DT					RF					NB
数据集	AUC（95%CI）		敏感度	特异度		AUC（95%CI）		敏感度		特异度	AUC（95%CI）		敏感度		特异度
训练集	0.850（0.799~0.901）		0.663	0.929		1.000（0.999~1.000）		0.865		1.000	0.739（0.678~0.801）		0.348		0.932
验证集	0.717（0.625~0.809）		0.368	0.892		0.777（0.694~0.860）		0.316		0.917	0.718（0.620~0.817）		0.316		0.942
D	2.475^＊					5.264^＊＊					0.351
数据集		ANN							XGBoost
数据集		AUC（95%CI）			敏感度		特异度		AUC（95%CI）			敏感度		特异度
训练集		0.835（0.788~0.882）			0.697		0.854		0.918（0.887~0.949）			0.730		0.904
验证集		0.738（0.640~0.836）			0.632		0.800		0.709（0.616~0.802）			0.289		0.892
D		1.753							4.175^＊＊

数据集	LR					KNN					SVM
数据集	AUC（95%CI）		敏感度	特异度		AUC（95%CI）		敏感度		特异度	AUC（95%CI）		敏感度		特异度
训练集	0.786（0.730~0.842）		0.326	0.950		0.981（0.970~0.991）		0.618		0.986	0.871（0.824~0.918）		0.438		0.979
验证集	0.773（0.691~0.855）		0.316	0.950		0.793（0.711~0.875）		0.368		0.933	0.776（0.685~0.867）		0.342		0.967
D	0.255					4.467^＊＊					1.815
数据集	DT					RF					NB
数据集	AUC（95%CI）		敏感度	特异度		AUC（95%CI）		敏感度		特异度	AUC（95%CI）		敏感度		特异度
训练集	0.850（0.799~0.901）		0.663	0.929		1.000（0.999~1.000）		0.865		1.000	0.739（0.678~0.801）		0.348		0.932
验证集	0.717（0.625~0.809）		0.368	0.892		0.777（0.694~0.860）		0.316		0.917	0.718（0.620~0.817）		0.316		0.942
D	2.475^＊					5.264^＊＊					0.351
数据集		ANN							XGBoost
数据集		AUC（95%CI）			敏感度		特异度		AUC（95%CI）			敏感度		特异度
训练集		0.835（0.788~0.882）			0.697		0.854		0.918（0.887~0.949）			0.730		0.904
验证集		0.738（0.640~0.836）			0.632		0.800		0.709（0.616~0.802）			0.289		0.892
D		1.753							4.175^＊＊

SVM	LR		NB		ANN
SVM	训练集	验证集	训练集	验证集	训练集	验证集
训练集	3.105^＊＊		4.467^＊＊		1.221
验证集		0.075		1.309		1.309