Classification Models for Progression of Chronic Kidney Disease within a Secondary Prevention Program

Abstract

Loss of renal function has severe repercussions in patients’ health and life quality. Using scientific tools to improve the knowledge of the disease and to prevent its progression on each patient could prevent terminal stages and even save lives. For a set of patients enrolled in a secondary prevention program, which aims to avoid reaching advanced stages of chronic kidney disease, we developed a complete statistical strategy: first, we described and prepared the data set. Then, we made groups of patients and afterwards we fit some classification models to understand such partition. Finally, we developed and estimation of the patients’ future trajectory. We found that the classification models had good performance, with even 90% of good classification, also, that the estimation on the future trajectory seemed to be reliable, even in patients in which the model was not trained. Finally, an interactive tool was created in order to allow a real use of the results of this work in the diary medical care

La pérdida de la función renal tiene repercusiones significativas en la salud y en la vida de los pacientes. Con el uso de herramientas estadísticas es posible mejorar el conocimiento de la enfermedad y predecir el comportamiento de esta en cada paciente, haciendo viable prevenir etapas terminales e incluso permitiendo salvar vidas. En este trabajo se combinan técnicas estadísticas con conocimiento medico en nefrología para obtener una herramienta que ayude a los médicos a tratar y a tomar decisiones sobre sus pacientes. Para este fin, se tomó un conjunto de pacientes que pertenecen a un programa de prevención secundaria que trata de evitar la llegada a fases avanzadas de la enfermedad renal crónica y, primero, se desarrolló una estrategia estadística en la que inicialmente se describió y preparo la base de datos. Después, se formaron grupos de pacientes y se ajustaron algunos modelos de clasificación para analizar las particiones. Finalmente, se realizó una estimación de la trayectoria futura de los pacientes. Encontramos un buen desempeño de los modelos de clasificación, con hasta el 90% de buena clasificación, además, la estimación de la trayectoria futura dio resultados confiables, incluso en pacientes en los que el modelo no se había entrenado. Finalmente, se creó una herramienta interactiva para permitir el uso real de los resultados de este trabajo en la práctica clínica diaria.