New clinical indexes for the automatic management of the dialysis treatment

End stage uremic patients number continues to increase involving high percentages of elderly, predisposed to comorbidities. Considering the high number of functions carried out by the kidneys, it can be easily understood how a kidney impairment could involve the whole body and in its most severe form becomes incompatible with the survival. Dialysis is the elective treatment for chronic kidneys diseases: it artificial substitutes the renal functions of removing waste and excess water from the blood. The tolerance to the treatment can vary among different individuals, also in the presence of similar prescriptions due to the peculiar patient-machine interaction. Intradialysis hypotension (IDH) is one of the main short – term hemodialysis complications, occurring in 25-30% of cases and there are no standardized clinical protocols that provide an accurate blood pressure monitoring and the preventive The goal of the research is to develop new instruments for the evaluation of the dialysis treatment in order to enable its automatic management. The study has been developed in collaboration with four clinical centers between Italy and Switzerland inside the DialisYS project. The development of innovative indexes has been based data on recorded during real hemodialysis treatments. A Federated DataBase System (FDBS) approach has been adopted to construct a common data repository. The storage system has been built by the Dialysis Data Infrastructure (DDI), a unique multilevel standardized data structure supported by the Dialysis MATlib (DM), an embedded Matlab® library, that’s able to threat and manage data in the different formats collected from 4 different clinics. The Dialysis Data Infrastructure currently contains the acquisition of 1020 dialysis sessions performed on a total of 145 patients A statistical analysis has been conducted on the collected data in order to find the potential risk factor related to IDH onset. both at early stages and during the treatment. A predictive index, J, in two version J1 andJ2 was defined as a weighted patient-specific combination of potential risk factors in order to predict the IDH onset at the early stage of the treatment. The indexes has been also tested in their predictive ability, experimenting also different threshold for the prediction. The statistical analysis performed considering the intra-treatment period has also a multiparameter criterion, for the intra-treatment identification of IDH onset has been also developed. Besides the inferential statistical analysis a machine learning approach has been tested to predict IDH event from pre-dialysis conditions and considering the IDH prediction as a binary classification problem. Three different algorithm has been explored for the prediction of IDH event as result of a binary classification problem: Random Forest, Artificial Neural Networks and Support Vector Machines. The considered dataset presented unbalanced classes: the class of interest (i.e. sessions with hypotension events) was only about the 10% of the total. In order to get effective learning from the data, minority class oversampling was required. Different techniques (e.g. bootstrap, SMOTE) combinations were tested and compared. The results show that J1 index allow predicting the 77% of the IDH events, when the threshold is set equal to 1. The use of center specific thresholds allows slightly improving index specificity and sensitivity, but does not substantially alter the results. Indeed the multiparameter criteria allows to identify the 75,56%of sessions with hypotension as defined by IDH-D, with the 24,44% of false positives. Among the tested machine learning algorithm, the SVM model balanced with high minority class SMOTE and no majority class down sampling techniques, shows the best performance and the smallest variability interval (e.g. overall accuracy: 88.26% ± 2.80%). In conclusion this work provides a set of indexes and algorithms for the prediction of the IDH onset during the dialysis treatment. They represent a first step in the direction of a better and more personalized dialysis treatment.

Il numero di pazienti uremici di fase terminale continua ad aumentare, coinvolgendo percentuali elevate di anziani, predisposti a comorbidità. Considerando l'elevato numero di funzioni svolte dai reni, si può capire facilmente come una compromissione renale possa coinvolgere tutto il corpo e nella sua forma più grave diventa incompatibile con la sopravvivenza. La dialisi è il trattamento elettivo per le malattie renali croniche: sostituisce artificialmente le funzioni renali di rimuovere i rifiuti e l'acqua in eccesso dal sangue. La tolleranza al trattamento può variare tra individui diversi, anche in presenza di prescrizioni analoghe a causa della particolare interazione paziente-macchina. L'ipotensione di intradialisi (IDH) è una delle principali complicazioni di emodialisi a breve termine, che si verificano nel 25-30% dei casi e non esistono protocolli clinici standardizzati che forniscano un preciso monitoraggio della pressione sanguigna e la prevenzione L'obiettivo della ricerca è quello di sviluppare nuovi strumenti per la valutazione del trattamento della dialisi per consentire la sua gestione automatica. Lo studio è stato sviluppato in collaborazione con quattro centri clinici tra Italia e Svizzera all'interno del progetto DialisYS. Lo sviluppo di indici innovativi è stato basato su dati registrati durante trattamenti reali di emodialisi. Un approccio federale di database (FDBS) è stato adottato per costruire un repository di dati comune. Il sistema di storage è stato costruito dalla Dialysis Data Infrastructure (DDI), una struttura dati standardizzata multilivello supportata dalla Dialysis MATlib (DM), una biblioteca incorporata di Matlab®, capace di minacciare e gestire i dati nei diversi formati raccolti da 4 Diverse cliniche. L'infrastruttura dati di dialisi contiene attualmente l'acquisizione di 1020 sessioni di dialisi eseguite su un totale di 145 pazienti. Un'analisi statistica è stata condotta sui dati raccolti per individuare il fattore di rischio potenziale relativo all'insorgenza di IDH. Sia in fase iniziale che durante il trattamento. Un indice predittivo, J, in due versioni J1 e J2 è stato definito come una combinazione ponderata di pazienti-specifici fattori di rischio potenziali per prevedere l'inizio del IDH nella fase iniziale del trattamento. Gli indici sono stati anche testati nella loro capacità predittiva, sperimentando anche soglie diverse per la previsione L'analisi statistica effettuata in considerazione del periodo di intra-trattamento ha anche un criterio multiparametrico, per l'identificazione intra-trattamento dell'instaurazione IDH è stato anche sviluppato. Oltre all'analisi statistica inferenziale, è stato testato un approccio di apprendimento macchina per prevedere l'evento IDH da condizioni di pre-dialisi e considerando la previsione IDH come un problema di classificazione binaria. Sono stati studiati tre diversi algoritmi per la previsione dell'evento IDH a seguito di un problema di classificazione binaria: foresta casuale, reti neurali artificiali e macchine vettoriali di supporto. Il set di dati considerato presentava classi non bilanciate: la classe di interesse (cioè sessioni con eventi di ipotensione) era solo circa il 10% del totale. Per ottenere l'apprendimento efficace dai dati, è stato richiesto l'oversampling della classe minoritaria. Sono state testate e confrontate diverse tecniche (ad esempio, bootstrap, SMOTE). I risultati mostrano che l'indice J1 consente di prevedere il 77% degli eventi IDH, quando la soglia è impostata pari a 1. L'utilizzo di soglie centrali specifici consente di migliorare leggermente la specificità e la sensibilità dell'indice, ma non altera sostanzialmente i risultati. Infatti i criteri multiparametri permettono di identificare il 75,56% delle sessioni con ipotensione definite da IDH-D, con il 24,44% di falsi positivi. Tra l'algoritmo di apprendimento di macchina sperimentato, il modello SVM bilanciato con l'elevata classe di minoranza SMOTE e senza tecniche di campionamento di classe di maggioranza, mostra le migliori prestazioni e l'intervallo di variabilità minima (ad es. Accuratezza totale: 88,26% ± 2,80%). In conclusione, questo lavoro fornisce un insieme di indici e di algoritmi per la previsione dell'instaurazione IDH durante il trattamento della dialisi. Essi rappresentano un primo passo nella direzione di un trattamento migliore e più personalizzato della dialisi.