基于可解释机器学习的社区化早期慢性肾病筛查：面向资源受限环境
机器学习
2026-04-14 v2
摘要
早期检测慢性肾病（CKD）对于防止肾衰竭至关重要。然而，现有的筛查工具——主要是使用来自高收入国家的人群开发——在孟加拉国和南亚地区的表现往往不佳，因风险特征不同。大多数工具依赖简单的加法评分函数，基于来自 advanced-stage CKD 患者的数据，因而无法捕捉风险因素之间的复杂相互作用，且在预测早期 CKD 时受限。我们的目标是为资源受限环境开发和评估一个面向孟加拉及南亚人群的、社区化早期 CKD 筛查的可解释机器学习（ML）框架。使用孟加拉国的社区化 CKD 数据集开发预测模型。将变量组织为临床上有意义的特征组，并应用十种互补特征选择方法以识别稳健的预测子集。评估了十二种 ML 分类器，使用嵌套交叉验证。模型性能以既定 CKD 筛查工具为基准，并在来自印度、阿联酋和孟加拉国的三个独立数据集上进行外部验证。采用 SHAP 解释模型预测。使用 RFECV 选择的特征子集训练的 ML 模型实现了90.40%的平衡准确率，而仅使用最小非疾病检测特征即可实现优异的预测能力，达到89.23%的平衡准确率，常常优于更大或完整的特征集。与现有筛查工具相比，所提模型在准确率和灵敏度上显著提高，且所需输入更少且更易获取。外部验证确认了在78%至98%灵敏度范围内的强大可推广性。
引用
@article{arxiv.2601.01119,
title = {Community-Based Early-Stage Chronic Kidney Disease Screening using Explainable Machine Learning for Low-Resource Settings},
author = {Muhammad Ashad Kabir and Sirajam Munira and Dewan Tasnia Azad and Saleh Mohammed Ikram and Mohammad Habibur Rahman Sarker and Syed Manzoor Ahmed Hanifi},
journal= {arXiv preprint arXiv:2601.01119},
year = {2026}
}
备注
31 pages