Nghiên cứu hồi cứu về ứng dụng mô hình học máy trong chẩn đoán bệnh thận mãn tính ở mèo dựa trên dữ liệu sinh lý và sinh hóa máu
,
&
Article Sidebar
Main Article Content
Tóm tắt
Nghiên cứu được thực hiện từ tháng 2/2025 đến 8/2025, tại các phòng khám thú y ở Thành phố Hồ Chí Minh, Việt Nam. Nghiên cứu hồi cứu phân tích dữ liệu sinh lý và sinh hóa máu của 60 mèo [30 khỏe mạnh và 30 mắc bệnh thận mãn tính (CKD)] để đánh giá hiệu quả học máy (ML) trong chẩn đoán CKD và xác định chỉ số sinh học. Các chỉ số gồm hồng cầu (RBC), Hemoglobin (HGB), hematocrit (HCT), bạch cầu (WBC), bạch cầu trung tính (Neu#), bạch cầu ưa axit (Eos#), tế bào lympho (Lym#), bạch cầu đơn nhân (Mon#), tiểu cầu (PLT), alanine aminotransferase (ALT), aspartate aminotransferase (AST), ni-tơ trong urea huyết (BUN), Creatinine (Crea), protein tổng số (TP), albumin (ALB) và glucose (GLU). Dữ liệu được tiền xử lý, chia 80% huấn luyện và 20% kiểm tra. Bảy mô hình ML [Logistic Regression, K-Nearest Neighbors (KNN), Decision Tree, Random Forest, Gradient Boosting, Support Vector Machine (SVM), Naive Bayes] được đánh giá qua độ chính xác, độ nhạy, độ đặc hiệu, F1-score và diện tích dưới đường cong (AUC). Mô hình SVM, Logistic Regression, KNN đạt độ chính xác 92%, với SVM có AUC cao nhất (0,98). Decision Tree, Random Forest, Naive Bayes kém hơn (75 - 83%), dễ tạo dương tính giả. Creatinine là chỉ số quan trọng nhất (hệ số ảnh hưởng: 1.178), tiếp theo là Mon#, AST, Neu#, WBC. Các chỉ tiêu Crea, WBC, Neu#, ALT và AST khác biệt đáng kể (P < 0,01) giữa mèo khỏe và mèo bệnh. Tóm lại, ML, đặc biệt SVM, hứa hẹn hỗ trợ chẩn đoán sớm CKD, nâng cao quyết định lâm sàng.
Article Details
Tài liệu tham khảo
Banzato, T., Bedin, M., Burti, S., Zotti, A., & Bonsembiante, F. (2018). Machine learning classification of feline polycystic kidney disease using ultrasonographic texture analysis. Journal of Veterinary Internal Medicine 32(6), 2043-2049. https://doi.org/10.1111/jvim.15323.
Bartges, J. W. (2012). Chronic kidney disease in dogs and cats. Veterinary Clinics of North America: Small Animal Practice 42(4), 669-692. https://doi.org/10.1016/j.cvsm.2012.04.008.
Beam, A. L., & Kohane, I. S. (2018). Big data and machine learning in health care. Journal of The American Medical Association 319(13), 1317-1318. https://doi.org/10.1001/jama.2017.18391.
Biourge, V., Delmotte, S., Feugier, A., Bradley, R., McAllister, M., & Elliott, J. (2020). An artificial neural network‐based model to predict chronic kidney disease in aged cats. Journal of Veterinary Internal Medicine 34(5), 1920-1931.
Bradley, R., Tagkopoulos, I., Kim, M., Kokkinos, Y., Plevritis, S., Rubin, D. L., & Yu, K. (2019). Predicting early risk of chronic kidney disease in cats using routine clinical laboratory tests and machine learning. Journal of Veterinary Internal Medicine 33(6), 2644-2656. https://doi.org/10.1111/jvim.15623.
Chakrabarti, S., Syme, H. M., & Elliott, J. (2013). Clinicopathological variables predicting progression of azotemia in cats with chronic kidney disease. Journal of Veterinary Internal Medicine 26(2), 275-281. https://doi.org/10.1111/j.1939-1676.2011.00874.x.
Elliott, J., & Barber, P. J. (1998). Feline chronic renal failure: Clinical findings in 80 cases diagnosed between 1992 and 1995. Journal of Small Animal Practice 39(2), 78-85. https://doi.org/10.1111/j.1748-5827.1998.tb03598.x.
Esteva, A., Robicquet, A., Ramsundar, B., Kuleshov, V., DePristo, M., Chou, K., Cui, C., Corrado, G. S., Thrun, S., & Dean, J. (2019). A guide to deep learning in healthcare. Nature Medicine 25(1), 24-29. https://doi.org/10.1038/s41591-018-0316-z.
Han, J., Pei, J., & Tong, H. (2022).Data mining: Concepts and techniques. Waltham, Massachusetts, United States of America: Morgan Kaufmann.
Hokamp, J. A., & Nabity, M. B. (2016). Renal biomarkers in domestic species. Veterinary Clinical Pathology 45(1), 28-56. https://doi.org/10.1111/vcp.12333.
Lawson, J., Elliott, J., Wheeler-Jones, C., Syme, H., & Jepson, R. (2015). Renal fibrosis in feline chronic kidney disease: Known mediators and mechanisms of injury. The Veterinary Journal 203(1), 18-26. https://doi.org/10.1016/j.tvjl.2014.10.009.
Lees, G. E., Brown, S. A., Elliott, J., Grauer, G. F., & Vaden, S. L. (2005). Assessment and management of proteinuria in dogs and cats: 2004 ACVIM Forum consensus statement. Journal of Veterinary Internal Medicine 19(3), 377-385. https://doi.org/10.1892/0891-6640(2005)19[377:AAMOPI]2.0.CO;2.
John, L. Z. Q. (2010). The elements of statistical learning: data mining, inference, and prediction. Journal of The Royal Statistical Society Series A: Statistics in Society 173(3), 693-694, https://doi.org/10.1111/j.1467-985X.2010.00646_6.x.
Sparkes, A. H., Caney, S., Chalhoub, S., Elliott, J., Finch, N., Gajanayake, I., Langston, C., Lefebvre, H. P., White, J., & Quimby, J. (2016). ISFM consensus guidelines on the diagnosis and management of feline chronic kidney disease. Journal of Feline Medicine and Surgery 18(3), 219-239. https://doi.org/10.1177/1098612X16631234.
Twedt, D. C. (2006). Update on feline hepatobiliary disease. Journal of Feline Medicine and Surgery 8(5), xi-xiv. https://doi.org/10.1016/S1098-612X-06-00125-2.
Vanden, B. E., Van Mulders, L., De Paepe, E., Paepe, D., Daminet, S., & Vanhaecke, L. (2025). Early detection of feline chronic kidney disease via 3-hydroxykynurenine and machine learning. Scientific Reports 15, 6875. https://doi.org/10.1038/s41598-025-90019-x.
Vapnik, V. (2013). The nature of statistical learning theory. New York, USA: Springer Science & Business Media.