Objetivo: Desenvolver um modelo multimodal para predizer a doença renal crônica (DRC) em pacientes com diabetes mellitus tipo 2 (DM2), dada a pesquisa limitada sobre essa abordagem integrativa.
Projeto e métodos de pesquisa: Obtivemos conjuntos de dados multimodais do Centro Médico da Universidade Kyung Hee (n = 7.028; coorte de descoberta) para treinamento e validação interna e do UK Biobank (n = 1.544; coorte de validação para validação 1) exterior. A DRC foi definida com base nos códigos ICD-9 e CID-10 e/ou taxa de filtração glomerular estimada (eGFR) ≤ 60 ml/min/1,73 m2. Reunimos vários modelos de aprendizado profundo e interpretamos suas previsões usando métodos explicáveis de inteligência artificial (IA), incluindo explicações aditivas de Shapley (SHAP) e mapeamento de ativação de classes ponderadas por gradiente (Grad-CAM). Posteriormente, investigamos a associação potencial entre a probabilidade do modelo e as complicações vasculares.
Resultados: O modelo multimodal, que reúne geometria visual grupo 16 e rede neural profunda, apresentou alto desempenho na previsão da RDC, com área sob a curva característica de operação do receptor de 0,880 (IC 95%, 0,806-0,954) na coorte de descoberta e 0,775 75 75 75 75 22 no momento da validação. SHAP e Grad-CAM destacaram os principais preditores, incluindo eGFR e disco óptico, respectivamente. A probabilidade do modelo foi associada a um risco aumentado de complicações macrovasculares (tercil 1 [T1]: razão de risco ajustada, 1,42 [IC 95%, 1,06-1,90]; T 2:1,59 [1,17-2,16]; T 3:1,64 [1,20-2,26]) e complicações microvasculares (T 3:1,30 [1,02-1,67]).
Conclusões: Nosso modelo multimodal de IA integra imagens de fundo de olho e dados clínicos de cortes binacionais para prever o risco de DRC de início recente em 5 anos e complicações vasculares associadas em pacientes com DM2.
