INTELIGENCIA ARTIFICIAL EN EL ANÁLISIS DE PARÁMETROSANTROPOMÉTRICOS Y DE LABORATORIO PARA LA

PREDICCIÓN DE LA UREA EQUILIBRADA EN PACIENTES EN HEMODIÁLISIS.

EA. Fernández, R Valtuille+, P Willshaw, CA Perazzo - www.favaloro.edu.ar - elmerfer@favaloro.edu.ar

Universidad Favaloro - Departamento de Bioingeniería -(Buenos Aires - Argentina)+ RTC Adrogue - (Buenos Aires - Argentina)

RESUMENEn este trabajo se analizan las variables que mayorinfluencia pueden tener en el modelado de la cinéticadialítica a través de la utilización de Redes NeuronalesArtificiales. El estudio del error de predicción y el métodode Bland-Altman son utilizados para evaluar la influenciade distintas combinaciones de variables antropométricas yde laboratorio en la predicción de la Urea Equilibrada.Queda evidenciado que la Urea pre y postdiálisis, el Pesoprediálisis, la Ultrafiltración y la Urea intradiálisis de laprimera hora de sesión, son las que mayor informaciónproporcionan al modelo de predicción.Palabras clave: Redes Neuronales, predicción, Hemodiálisis.

1 INTRODUCCIÓN

El descenso de la urea durante la diálisis se comporta comouna curva del tipo biexponencial compuesta por uncomponente inicial rápida y otra mas lenta de intensidad einicio variables . Dicha dinámica influirá en el rebote deurea pos diálisis y en la dosis real de diálisis expresadacomo Kt/V.Múltiples factores, tales como Peso, Urea prediálisis, FlujoSanguíneo (QB), Flujo del Dializador (QD), Rebote,Ultrafiltración, etc., juegan un rol importante en dichadinámica.Las Redes Neuronales , de reciente aplicación en medicina ,son herramientas del campo de la Inteligencia Artificial quepermiten generar modelos, a través de algoritmos deaprendizaje, para predecir y analizar posteriormentefenómenos biológicos no lineales. La cinética dialítica esuno de estos fenómenos que pueden modelarse a través delas Redes Neuronales Artificiales (RNAs)El objetivo de este trabajo es el análisis y valoración de laimportancia de múltiples factores y su influencia en ladeterminación/predicción de la Urea Equilibrada.

2 MÉTODOS

2.1 Pacientes :

Se seleccionaron 58 pacientes estables del centro RTCAdrogue (edad 58.5 ± 18 años, tiempo de tratamiento 42 ±

23 meses). Todos bajo Tratamiento Crónico de Hemodiálisis(TCH) durante al menos 3 meses.El criterio de selección de los pacientes fue el siguiente :1. Pacientes sin infecciones o internaciones en los últimos 30

días.2. Todos los pacientes con fístula Arterio-Venosa con un

flujo sanguíneo mayor o igual a 200ml/min.3. Consentimiento escrito antes de su inclusión en

elprotocolo de investigación.Todos los pacientes recibieron hemodiálisis tres veces porsemana con máquinas Baxter 1550 con Na variable,Bicarbonato, hemodializadores con filtro de fibra hueca dePolisulfona. (Fresenius F6 and F8) y de Diacetato de Celulosa (FB170 and 210.Nissho Corp). Para el propósito de este estudiolos pacientes fueron hemodialisados un tiempo fijo de 240minutos con flujo sanguíneo constante (200ml/min) y flujo dedialisado de constante 500ml/min.

2.1.1 Datos :Los datos utilizados son los siguientes :Datos Antropométricos :- Altura- Peso prediálisis (Pi)- Peso postdiálisis (Pf)- Indices derivados de los anteriores :

- Indice de Masa Corporal (IMC) pre y post diálisis

2Altura

PesoIMC = Ec. 1

- Ultrafiltración ( )PfPiUf −= Ec.2

Datos de Laboratorio- Urea Prediálisis (U0)- Urea Intradiálisis a 60 minutos del comienzo de la

Hemodiálisis (HD) (U60)- Urea Urea Intradiálisis a 120 minutos del comienzo de la

HD (U120)- Urea Postdiálisis (U240)- Urea Equilibrada (U300)Los valores de Urea (Concentración de Urea en sangre) son elresultado del promedio sobre tres determinaciones(Autoanalizador Tecnichon RA 1000 Bayer - coeficiente devariación 1.11%) por muestra de sangre. Todas las muestras desangre fueron obtenidas en la sesión de mitad de semana. Parala extracción de la muestra intradiálisis (U60, U120) el flujo desangre fue disminuido a 50 ml/min y la extracción se realizó 15

seg. después. De esta manera la recirculación del accesodecae o desaparece y la sangre dentro del dializadorcontiene las mismas concentraciones de Urea que la sangrearterial. La U300 es utilizada como "patrón decomparación".

2.2 Red Neuronal Artificial (RNA)

En este trabajo se utilizó el modelo de RNA denominado"Perceptrón Multicapa" (PM)para predecir o estimar la Urea Equilibrada. El MP es unaRNA de retropropagación, que consta de una capa deentrada (de tamaño igual al número de variables deentrada), capas ocultas (ninguna, una o muchas) y una capade salida. El PM fue entrenado con el algoritmo deaprendizaje conocido como Levenberg-Marquadt (LM)[11] el cual es una modificación del conocido"BackPropagation". La RNA fue entrenada para predecir laU300 en función de las distintas combinaciones de losparámetros de entrada presentados en las Tablas 1 y 2.

2.3 Parámetros de Análisis :

Las variables de laboratorio (Ureas) son indicadores de lacinética del proceso de hemodiálisis desde el lado de lasangre, es por ello que con el objeto de estudiar la cinéticadel proceso, se estudiaron la influencia de los valoresdirectos (concentraciones de Urea) y de distintos cocientesentre ellas. Los cocientes analizados fueron :

0

240

U

UR = Ec. 3 Este es un parámetro típico de las

ecuaciones de estimación existentes.

0

60

U

URi = Ec. 4 Este cociente representa la relación de

descenso en la concentración de la primera hora dehemodiálisis (HD).

60

120

U

URm = Ec. 5 Este cociente representa la relación de

descenso en la concentración entre la primera y tercer horade hemodiálisis (HD).

120

240

U

URf = Ec. 6 Este cociente representa la relación de

descenso en la concentración de la última hora dehemodiálisis (HD).Por lo tanto se realizaron dos tipos de pruebas, la primeraprueba se realizó utilizando las concentraciones de urea y laotra reemplazando estas por los cocientes mencionadosanteriormente. En ambos casos se incluyeron en el análisislas variables antropométricas.

2.4 Conjuntos de Entrenamiento y Validación

Con el objeto de aumentar la cantidad de muestras yrealizar una validación y una valoración de la propiedad degeneralización de la RNA mas exhaustiva, se utilizó elmétodo conocido como "Jack-Knife" [8]. Este métodoaumenta artificialmente la cantidad de muestras realizandodistintas particiones sobre el conjunto de datos y realizando

entrenamientos y validaciones sobre cada uno de ellos. Lossiguientes pares {entrenamiento, validación} fueronconstruidos.- Par1 : {primer 60% de los datos, último 40% de los datos

}- Par 2 : {último 60% de los datos, primer 40% de los datos

}- Par 3 : {primer y último 30% de los datos, 40% intermedio

de los datos }- Par 3 : {60% intermedio de los datos, primer y último 20%

de los datos }Ver Figura 1. para detalles

Fig. 1. Explicación Ilustrativa de la realización de los distintos pares deconjuntos {entrenamiento, validación}. Explicación en el texto

2.5 Preprocesamiento de los Datos

Los datos de entrada a la RNA fueron normalizados en funcióndel mínimo y el máximo del conjunto de entrenamiento yllevados al intervalo [0, 1].Los valores mínimo y máximo son almacenados pararestablecer la salida de la RNA a los valores del dominio delproblema.

2.6 Análisis :

Se realizaron 3 entrenamientos y validaciones por cadaconjunto de par de conjuntos entrenamiento - validación con elfin de evaluar la estabilidad de la RNA en la solución delproblema. Por lo tanto tenemos 12 entrenamientos por cadacombinación de atributos de entrada. Sobre estos se calcularonlos valores medios y desvíos estándares de las diferencias (Ec.7) y del Error Porcentual (E%, Ec. 8).

RNAUrealUDif −= 300 Ec. 7; donde URNA es la Urea

equilibrada estimada por la RNA.

300

300%U

UUE RNA−

=Ec. 8

Además, se calcula el valor medio del Error Cuadrático Medio(ECM) de la estimación de la RNA y la diferencia entre elmáximo y el mínimo del ECM.La Ec. 7 es utilizada en el método de Bland-Altman(B&A)[10] para el análisis de concordancia entre los resultadosde la RNA y los valores reales de U300; el ECM es unparámetro común en el análisis de desempeño de RNAs,mientras que la diferencia entre el máximo y el mínimo delECM se utilizó para evaluar la robustez de la RNA en lapredicción de la U300 en función de los parámetros de entradaseleccionados.

3 RESULTADOSEn la Tabla 1 y 2 se muestran las distintas combinacionesde parámetros de entrada que se utilizaron para analizar lasvariables.En general se obtienen mejores resultados utilizando comoentradas a la RNA, los valores de concentración de Urea.La mayoría de las variables de comparación, valor medio ydesvío estándar de las diferencias (B&A), Error porcentual,ECM y diferencias de máximos y mínimos del ECM sonmenores en las RNAs entrenadas con las Concentracionesde Urea.

Tabla 1Combinaciones de parámetros utilizando concentraciones de urea (Negro

= Incluido, Blanco = Excluido)Alt(cm)

IMCi

IMCf

P i P f UF U 0 U 60 U120

U240

1

2

3

4

5

6

7

8

9

10

11

12

13

14

Tabla 2Combinación de parámetros utilizando cocientes entre Ureas (Negro =

Incluido, Blanco = Excluido)Alt(cm)

IMCi

IMCf

P i P f UF R Ri Rm Rf

1

2

3

4

5

6

7

8

9

10

11

12

13

14

De la Figura 2 surge que la combinación de atributos deentrada que mejor se comportan son los que se presentan enla Tabla 3.

Tabla 3En esta tabla se presentan las variables de entrada a la RNA que mejores

resultados dieron.Atributos B & A E% ECM Dif

ECMPi, U0,U60, U240

0.48±9.81 0.1±16 106 286

U0 , U240 -0.02 ± 9.52 -2±17 91 79Pi, U0 ,U240

-0.16 ± 10.6 -2.6 ±19.3

114 142

4 DISCUSIÓNQueda evidente que las concentraciones de U0 y U240 sonvariables fundamentales del modelado cinético de la HD, locual concuerda con los modelos existentes. Los cocientespropuestos como parámetros no parecen presentar unaestabilidad en el proceso, dando así problemas de inestabilidaden el aprendizaje, como también una mala concordancia entreel valor estimado y el real.

El 20% de los pacientes presentan un Rebote[1,2,3,4]

−⋅=

240

240300100RebU

UU negativo o cero [4, 9]. Estos

datos fueron incluidos en el estudio, si bien en general sontomados como valores erróneos, con el objeto de incluir ruidoen las muestras.Se excluye la altura en todos los modelos dado que estáintegrada en la formula del IMC. La información redundante(utilización de todos los atributos - fila 1 de la Tabla 1 y 2)interfiere en las características de generalización de la RNA. ElIMC es un factor de inestabilidad con respecto al Pesoprediálisis (fila 3 vs. Fila2 - Tabla 1 y 2). La U60 es mejorpredictor que la U120.Estos resultados preliminares, concuerdan con los resultadosexpuestos en [9], queda evaluar el efecto de la U60 y suinfluencia en el modelado con respecto a la U120. También, esnecesario evaluar la robustez de los mejores modelos (4,10, 11,12 y 13 de la Tabla 1) con respecto a datos erróneos o ruidosos(incluyendo Rebotes <= 0) y datos "limpios"(excluyendoRebotes <=0). Este análisis es importante debido a laimportancia de identificar aquellas variables menos propensaserror cuando aparecen datos de rebote negativo y laimplementación del sistema en la práctica diaria.

AGRADECIMIENTOSEste trabajo ha sido parcialmente financiado por la Secretaria de Ciencia yTécnica de la Nación: BID 802/OC-AR-PICT No:05-00000-00667.

REFERENCIAS[1] S.Alloati,A.Molino,M.Manes and G.M.Bosticardo,”Urea rebound and

effectively delivered dialysis dose” Nephrol Dial Transplant(1998)13[suppl 6]:25-30.

[2] S. W. Smye, E. Dunderdale, G. Brownridgr, E. Will, “Estimation oftreatment dose in High-efficiency Hemodialysis”, Nephron, Vol. 27, pp24-29, 1994

[3] J. T Daurgirdas, “Simplified Equations for Monitoring Kt/V, PCRn,eKt/V, and ePCRn”, Advances in Renal Replacement Therapy, Vol. 2,No. 4, pp. 295-304, 1995

[4] F. Gotch, J. A. Sargent, “A Mechanistic Analysis of the NationalCooperative Dialysis Study (NCDS)”, Kidney Int. 28:528-234, 1985

[5] A. M. Kaufman, D. Schneditz, S. W. Smye, H. D. Polaschegg, N.W. Levin, “Solute Disequilibrium and Multicompartment Modeling”, Advances in Renal Replacement Therapy, Vol. 2, No. 4, pp. 319-329, 1995

[6] J. Guh, C. Yang, J. Yang, L. Chen, Y. Lai, “Prediction ofEquilibrated Postdialysis BUN by an Artificial Neural Network inHigh-Efficiency Hemodialysis”, Am. J. of Kidney Diseases, Vol 31,No. 4, pp. 638-646, 1998

[7] JT Daugirdas,TA Depner, FA Gotch,T Greene,P keshaviash,NWLevin,G Schulman.Comparisons of methods to predict equilibratedKt/V in the HEMO study Pilot Study .Kidney Int,52:1395-1405,1997.

[8] Vandeginste, BMG, Massart DL, Buydens LMC, De Jong S,Lewy PJ, Smeyers-Verbeke J: Handbook of Chemometrics andQualimetrics : Part B. Elsevier, 1998

[9] EA Fernández, R. Valtuille. P. Willshaw, CA, Perazzo. "UsingArtificial Intelligence to Predict the Equilibrated Post-Dialysis BloodUrea Concentration" aceptado para publicación en BloodPurification - Octubre 30 de 2000.

[10] J. M. Bland, D. G. Altman, ”Statistical Methods For AssessingAgreement Between Two Methods of Clinical Measurement”, TheLancet, Feb. Vol. 8, pp307-310, 1986

[11] M. Hagan, M. Menhaj, “Training Feedfroward Networks withthe Marquardt Algorithm”, IEEE Trans On Neural Networks, Vol. 5No.6, pp. 989-993, 1994

Fig. 2. Estadísticas de los resultados obtenidos sobre los 12 entrenamientos de cada combinación de atributos (Tabla 1 y 2).

ARTIFICIAL INTELLIGENCE IN THE ANALYSIS OFANTHROPOMETRIC AND LABORATORY PARAMETERS

FOR THE PREDICTION OF EQUILIBRATED UREA INPATIENTS UNDERGOING HAEMODIALYSIS.

ABSTRACT

Abstract: This paper analyzes the variables which might have the greatest influence in the modelling ofdialysis kinetics using artificial neural networks. The prediction error and the Bland-Altman method are usedto evaluate the influence of different combinations of anthropometric and laboratory variables in theprediction of the equilibrated urea. We find that the greatest information for modelling is contained in thefollowing variables: pre- and post-dialysis urea, pre-dialysis body weight, total ultrafiltration, and intra-dialysis urea at one hour of dialysis.

Key words: Neural networks, prediction, haemodialysis.