Kroonilise neeruhaiguse tuvastamine vereproovidest närvivõrkude abil

Lisateabe saamiseks:Ali.ma@wecistanche.com

Mohamed Ghassan Latheef*, Rajasvaran Logeswaran ja Nurul Haniza Mohtar

Asia Pacific University of Technology & Innovation, Bukit Jalil, 57000 Kuala Lumpur, Malaisia

*Vastav autori e-post:TP047492@mail.apu.edu.my,

Abstraktne.

See artikkel pakub välja kunstliku närvivõrgu lähenemisviisi automaatseks tuvastamiseksKrooniline neeruhaiguspatsientidelt võetud vedelikuproovide kaudu. Esitatakse sellise süsteemi väljatöötamise põhjendus ning võimalik kasu patsientidele ja meditsiinitööstusele. Sarnased süsteemid, mida pakutakse tööstuses ja diagnoosimisekskrooniline neeruhaigusmuude lähenemisviiside, näiteks klassifitseerimisalgoritmide kaudu. Kogutakse andmestik närvivõrgu treenimiseks ja analüüsitakse funktsioone, samuti metoodikat ja tööriistu, mida närvivõrgu arendamisel kasutada.

Indeksi tingimused. KunstlikNärvivõrgud, meditsiiniline diagnoos, andmete analüüs,Krooniline neeruhaigus(CKD).

1. Sissejuhatus

Hinnanguliselt kannatab umbes 1 täiskasvanust kümnest mõne neerukahjustuse all, kusjuures igal aastal sureb miljoneid inimesi neerukahjustusega seotud tüsistustesse.Krooniline neeruhaigus(CKD) [1]. Ülemaailmse haiguskoormuse uuringus oli krooniline neeruhaigus 1990. aastal kogu maailmas surmajuhtumite põhjuste edetabelis 27. kohal, kuid 2010. aastal tõusis see 18. kohale – edetabelis tõustes HIVi ja AIDSi järel teisel kohal. CKD (Krooniline neeruhaigus)on äärmiselt kahjulik ja ravimatu, kuid varajase tabamise korral saab selle arengut peatada ravimite ja õige toitumisrežiimi abil.

Haigust on aga raske varakult tabada, kuna puuduvad varajases staadiumis väliselt nähtavad hoiatavad sümptomid. Seetõttu, välja arvatud juhul, kui kellelgi on muid haigusi, mis muudavad nad neerukahjustusele vastuvõtlikumaks, kui inimene on väga ettevaatlik ja käib regulaarselt kogu keha kontrollis või kui ta võttis vere- või uriinianalüüsi muul põhjusel ja avastas juhuslikult ka kroonilise neeruhaiguse, tavaliselt CKD(Krooniline neeruhaigus) leitakse ainult kesk- või hilises staadiumis.

CKD(Krooniline neeruhaigus) määratakse kindlaks, millal neerud ei suuda enam kui kolme kuu jooksul tõhusalt täita oma ettenähtud funktsioone, näiteks puhastada verd jääkainetest ja liigsetest saadustest ning aidata kontrollida vererõhku [2]. See võib põhjustada jääkainete kogunemist patsiendi kehasse, mis põhjustab pahkluude turset ja puhitus, unetust, õhupuudust ja nõrkust. Selleks ajaks, kui isegi need sümptomid ilmnevad, võib olla juba liiga hilja. Varajane krooniline neeruhaigus ei näita mingeid väliseid tunnuseid ega sümptomeid, mõnikord isegi kuni hetkeni, mil inimene oli juba kaotanud 90 protsenti oma neerufunktsioonidest [3].

Praegused kroonilise neeruhaiguse diagnoosimise meetodid(Krooniline neeruhaigus) hõlmab vere seerumi kreatiniinisisalduse, vere glükoositaseme mõõtmist, et teha kindlaks, kas patsient on diabeetik (kuna diabeeti põdevatel patsientidel esineb palju kroonilise neeruhaiguse esinemist), samuti albumiini või valgu sisalduse mõõtmist veres. uriin, mis filtreeritakse välja tervetest neerudest.

Tavaliselt nõuavad need aga kreatiniinitaseme ja muude kriteeriumide, nagu hematuria, kaasasündinud väärarengute jne, kolmekuulist jälgimist. USA riikliku diabeedi- ja seede- ja neeruhaiguste instituudi (NIDDK) andmetel näitavad viimased uuringud, et staadium /klassifikatsioonisüsteem tuvastab kroonilise neeruhaiguse riski patsientide andmete suurema täpsusega ennustuste analüüsimisel, nõuab mitmeid tegureid ja mitte ainult eGFR-i, kreatiniini või albumiini taset, vaid kõiki kolme, vanust ja diabeedi staatust [4]. Seetõttu on selle projekti eesmärk kasutada sarnast mitme funktsiooniga patsiendiandmete kogumit, et koolitada närvivõrku suutma tuvastada CKD olemasolule viitavaid mustreid ja teha binaarset klassifikatsiooni. Seda tehes on selle projekti eesmärk hõlbustada kroonilise neeruhaiguse testimise protsess(Krooniline neeruhaigus) ja vähendada mitmekuulist ooteaega, et teha kindlaks, kas probleem on krooniline, kasutades lihtsalt ühe vereanalüüsi ja muude vaatluste ja tehtud/võetud proove, tagades suurema kindlustunde, et diagnoos põhineb ühe teguri asemel mitmel teguril. oleks välistegurite mõjul suurem tõenäosus olla kõrvalekalle. See on eriti oluline, kuna kroonilise neeruhaiguse mis tahes progresseerumine on pöördumatu ja seetõttu on patsientide huvides selle kiire ja täpne diagnoosimine, et alustada ravi ja võtta asjakohaseid meetmeid kahjustuse viivitamatuks aeglustamiseks.

Klõpsake orgaaniliseksCistanche kroonilise neeruhaiguse raviks

2. Kirjanduse ülevaade

2.1 Domeeniuuring

Meditsiiniline diagnoos ja otsuste tegemine on kõrge prioriteediga kõrge riskiga valdkond, kuna täpse diagnoosi panemine on patsientide tervise jaoks ülimalt oluline. KunstlikNärvivõrgud(ANN-e) ja muid masinõppemeetodeid kasutatakse haiguste diagnoosimisel üha enam, kusjuures täpsus on paljutõotav.

Al-Shaya tutvustas kahte juhtumit, kus ANN-sid kasutati (1) ägeda nefriidi diagnoosimiseks, mis tekib siis, kui neerud muutuvad ootamatult põletikuliseks ja põhjustavad ravimata jätmise korral neerupuudulikkust, samuti (2) südamehaiguse [5]. Kasutati edasi-tagasi levitamist, kusjuures ägeda nefriidi mudeli diagnoosimise täpsus oli 99 protsenti ja südamehaiguste 95 protsenti. Esimese mudeli mudelil oli 6 sisendit, 20 peidetud neuronit, 2 kihti ja see kasutas koolitusalgoritmina Levenberg-Marquardti tagasilevimist, kusjuures koolitus põhines keskmise ruutvea (MSE) parandamisel. Viimane võrk kasutas 2 kihti, 22 sisendit, 20 peidetud neuronit, kusjuures muud tegurid olid samad, mis eelmisel.

Šter ja Dobnikar testisid viit erinevat meditsiinilist andmebaasi (koronaararterite haigus, rinnavähk, hepatiit, Pima indiaanlaste diabeet ja südamehaigus) ANN-i ja lihtsamate lineaarsete diskrimineerimismeetoditega [6]. Toimivus oli suhteliselt sama, mis viitab nende väitel sellele, et andmed olid lihtsad ja väärtused olid sõltumatud atribuudid. Sellisena väidavad nad, et keerulised klassifikatsioonisüsteemid või ANN ei ole meditsiinilises diagnoosimises vajalikud, kuna tulemused on kõrged ka lineaarse diskrimineeriva ja naiivse Bayesi meetodite puhul. Siiski tuleb märkida, et nad katsetasid meetodeid vaikekonfiguratsioonide ja ilma peenhäälestuseta ning kuna nad ise nõustuvad, et isegi mõneprotsendiline ebatäpsus patsientide diagnoosimisel on kvantitatiivselt ülioluline, mis võib olla isegi sadu. tuhandetest inimestest. See oli varasem uuring ja ANN-id on pärast seda märkimisväärselt kasvanud, eriti sügava õppimisega. Siiski on ANN-ide püsiv probleem läbipaistvuse puudumine – pole näha, kuidas ANN tegi tehtud otsuse ja millistele väärtustele otsus tugines. Patsient ei oleks veendunud, kui arst lihtsalt ANN-i retsepti järgides ei teaks, miks ta patsiendile konkreetset ravimit ja ravi annab. Selgituste puudumine tähendab ka seda, et inimarstid jäetakse teadmatusse ega saa õppida ANN-i tehtud otsustest.

Liu et al. võttis endale ülesande testida tervishoiutöötajate täpsust võrreldes süvaõppe tehnikatega, nagu ANN [7]. Võimalikult suure andmestiku saamiseks uurisid nad olemasolevaid artikleid ja analüüse, et teha metaanalüüs 1. jaanuarist 2012 kuni 6. juunini 2019 tehtud uuringute kohta uuringute jaoks, milles võrreldakse süvaõppe mudelite mis tahes haiguse diagnoosimist. võrreldes tervishoiutöötajatega. Nendest 14 uuringu tulemuslikkuse võrdlus näitas, et süvaõppe mudelite puhul on tundlikkus 87 protsenti ja spetsiifilisus 92,5 protsenti, tervishoiutöötajate puhul vastavalt 86,4 protsenti ja 90,5 protsenti. Kuigi tulemused on sarnased, toimisid süvaõppe mudelid üldiselt paremini, isegi kui vähesel määral, ja iga väike protsentuaalne suurenemine peegeldab endiselt lugematuid päästetud või paranenud elusid, ekstrapoleerides selle arvu selliste tervisehäirete all kannatavate inimeste kvantitatiivsele väärtusele.

2.2 Sarnased süsteemid

Kroonilise neeruhaiguse diagnoosimise kohta on palju artikleid(Krooniline neeruhaigus) kasutades ANN-i või muid meetodeid, näiteks tugivektori masinate (SVM) ja naiivsete Bayesi kasutamine.

Kriplani jt. kasutas sügavat närvivõrku CKD ennustamiseks, kasutades sisendkihis 18 parameetrit, kuigi varjatud kihi neuronite, kihtide ja võrguarhitektuuri arvu ei mainitud artiklis [8]. Sügava närvivõrgu tõeline positiivne määr oli 95,2 protsenti ja tõeline negatiivne määr 100 protsenti, mida võrreldi ka teiste klassifitseerimismeetoditega, nagu Logistic, Random Forest, Adaboost, SVM ja Naive Bayes. Ajakiri väitis, et nende sügava närvivõrgu täpsus oli kõigi ülaltoodud meetodite hulgas kõrgeim. Kuid töös esitatud toimivustulemuste edasisel analüüsil, kuigi sama tõene negatiivne määr saadi kõigi teiste klassifitseerimismeetoditega, toimisid suhteliselt lihtsamad algoritmid Naïve Bayes ja Random Forest sama hästi kui ANN 95,2 protsendiga tõelise positiivse tulemusega. täpsust. Lisaks saavutasid nii Adaboost kui ka SVM tõelise positiivse täpsusmäära 96,2 protsenti, mis on kõrgem kui sügav närvivõrk. Teises esitatud tabelis näidati Naïve Bayesi ja Deep Neural Networki täpsusega 97,7679 protsenti, samas kui Adaboosti ja SVM-i täpsus oli mõlemal 98,2143 protsenti ja Random Forestil 99,1071 protsenti. Seega näib nende järeldus, et kõigist võrreldud mudelitest oli süvanärvivõrk parim, nende paberil esitatud arvude kohaselt ekslik, kuna see pole mitte ainult aeglasem ja kulutatud arvutusressursside poolest suurem, vaid Naive Bayes toimis Adaboostiga võrdselt. , SVM ja Random Forest, mis saavutavad suurema täpsuse.

Ahmad et al. kasutas SVM-i, et pakkuda välja abistav otsustusabitööriist hädaolukordadeks, kasutades 5 sisendit: vererõhk, seerumi kreatiniinisisaldus, rakkude kogumaht, hüpertensioonifaktor ja aneemiafaktor [9]. SVM kodeeriti programmeerimiskeeles R, täpsusega 98,34 protsenti. Samuti jõudsid nad oma artiklis järeldusele, et atribuutide tähtsus oli seotud Gini keskmise vähenemisega või muutuja sõlmede lisandi kogu vähenemise keskmisega, kusjuures kõrgem väärtus on atribuudi roll. Seda kasutades leidsid nad, et pakitud rakkude maht oli kroonilise neeruhaiguse diagnoosimisel kõige olulisem atribuut(Krooniline neeruhaigus) andmetest. Kuna ainult seerumi kreatiniini tase on praegu üks kroonilise neeruhaiguse diagnoosimise viise, tekitab see ebakindlust, kas oleks täpsem tugineda pakitud rakkude mahu väärtustele.

Ravindra jt. kasutas ka SVM-i CKD klassifitseerimiseks ja tuvastamiseks(Krooniline neeruhaigus) patsiendid [10]. Sisendväärtused jaotati nelja erineva juhtumi vahel, tuginedes nendevahelisele tihedale seosele:

1 -vererõhk, erikaal ja seerumi kreatiniinisisaldus;

Juhtum 2 -albumiin, suhkur, vere glükoosisisaldus juhuslikult ja hemoglobiin;

Case 3 -pakitud rakkude maht, valgete vereliblede arv ja punaste vereliblede arv;

Juhuslik 4 -albumiin, suhkur, vere glükoosisisaldus, seerumi kreatiniin, naatrium, kaalium ja hemoglobiin.

Kõiki nelja juhtumit testiti eraldi SVM-klassifikaatoriga ilma muude teguriteta ja leiti, et juhtumi 2 suurim täpsus oli 93,75 protsenti. Täpsus on aga väiksem kui teistel varasematel artiklitel, mis kasutasid suuremat arvu sisestusi. Seega, kuigi albumiin, suhkur, juhuslik veresuhkur ja hemoglobiin näivad andvat iseenesest häid tulemusi, on muud sisendid näidanud täpsuse suurenemist, kui neid lisada.

Salekin ja Stankovic kasutasid Random Foresti ja saavutasid 99,3 protsendi täpsuse ja 0.1084 Root Mean Square Error (RMSE) 24 sisendit kasutades [11]. Seejärel kasutasid nad aga mitmesuguseid meetodeid, näiteks masinõppe ümbrismeetodit ja LASSO-reguleerimist, et valida algse 24 funktsiooni hulgast 5:

^.erikaal,^.albumiin,^.suhkurtõbi,^.hüpertensioon ja^.hemoglobiini.

Cistanche võib parandada neerufunktsiooni

Töös tõsteti esile kulutõhusat automaatset tuvastamise meetodit ja seetõttu suurendaks vajalike tegurite arvu vähendamine, hoides täpsust võimalikult tasemel, kuluefektiivsust, kuna vaja on vähem teste ja testide tulemuste saamiseks kulub aega. Nende hinnangul kuluks 2016 USA inflatsioonimäära ja meditsiiniliste testide hinna järgi patsiendi testi jaoks kõige rohkem 45,05 USA dollarit. Viie atribuudiga saavutasid nad 98-protsendilise täpsuse 0,11 RMSE-ga, mis on vaid 1,3-protsendiline langus pärast 19 esialgsest 24-st funktsioonist loobumist.

Vijayarani ja Dhayanand kasutasid MATLAB-i, et võrrelda SVM-i ja ANN-i (tagasi levitamisega) toimivust neeruhaigusega patsientide andmekogumis [12]. ANN-i täpsusaste oli 87,70 protsenti ja SVM-i täpsus 76,32 protsenti. SVM-il kulus aga 3,22 sekundit, ANN-il aga peaaegu kaks korda rohkem aega, 7,26 sekundit. Täpsus oli märgatavalt madalam eelnevalt mainitud süsteemide omast. Sellel süsteemil oli aga rohkem kui kroonilise neeruhaiguse binaarne klassifikatsioon(Krooniline neeruhaigus) või terved neerud, selle asemel liigitati see 5 erinevasse juhtumisse: normaalne, äge nefriitiline sündroom, krooniline neeruhaigus, äge neerupuudulikkus või krooniline glomerulonefriit, mis muutis ülesande keerulisemaks.

2.3 Ülevaate kokkuvõte

Liu et al. näitab ANN-i ja teiste masinõppe asendajate elujõulisust tervishoiutöötajate koolitatud pilgu asendamiseks, olles lihtsalt täpsem. Kuid nagu Šter ja Dobnikar rõhutavad, on probleem ANN-i otsuste läbipaistvusega, kuna pole võimalik kindlaks teha, milline tegur seda otsust mõjutas ja kui palju. Tegureid saab tuvastada väljaspool ANN-i erinevate andmekaeve- ja analüüsimeetodite abil, mis on sarnased Salekini ja Stankovici lähenemisviisiga CKD-le.(Krooniline neeruhaigus) funktsioonid, et näha, mis mängivad suuremat rolli. Siiski on vastuolusid, kui tunnuse prioriteedi tuvastamiseks kasutatakse erinevaid meetodeid, näiteks 5-st koosnev komplekt, millel on ainult 1 tunnus, kusjuures Ravindra jt leidude albumiin on kõige täpsem. Lisaks leiti Ahmadi jt Gini keskmise vähenemise lähenemisviisis kõige olulisem tegur pakitud rakkude maht, kuid ühelgi eelneval paberil ei olnud sellele tegurile oma süsteemide jaoks valitud lõplike funktsioonide puhul mingit tähtsust.

ANN-ide otsuste tegemisel on probleeme ja teatud mõttes on nendes otsustes teatud element inimeste eelarvamustest, kuna arendajad otsustavad, millised sisendid mittevajalikuna ära visata ja millised säilitada. Salekinil ja Stankovicil on siiski hea point; meil on vahendid olemas ja on aeg töötada välja täpsem ja kulutõhusam lahendus kroonilise neeruhaiguse tuvastamiseks(Krooniline neeruhaigus) patsiendid kiiremini, et inimesed väldiksid liigset valu, stressi ja surma.

3.{1}} Materjalid ja meetodid

3.1 ANN-i programmeerimine

MATLAB-i kasutati kiireks prototüüpimiseks, kuna see võimaldab oma süvaõppe tööriistakasti kaudu ANN-e luua ilma täiendava kodeerimiseta. Joonisel 1 on hetktõmmis süvaõppe tööriistakasti ANN koolitustööriistast. Pärast Kanbani paigutatakse kõik projekti ülesanded virtuaalsele tahvlile, nagu Trello, kus on erinevad veerud juba lõpetatud ülesannete jaoks (nt süsteemi funktsionaalsuse üle otsustamine, andmete kogumine, ajakava planeerimine, eelaruande lõpetamine, täitmine välja eetikavorm jne), valmimisjärgus olevad ülesanded (juurdlusaruande lõpetamine) ja ülesanded, mis tuleb tulevikus täita (puhtad andmed, tehisintellekti koolitamine andmetega, dokumentide tulemused jne). Põhimõte on hoida pooleliolevate tööde limiiti ja sellest kinni pidada, olles võimalikult konstantne, ilma limiiti ületamata ja liiga palju ülesandeid korraga võttes ning jätkata kuni projekti valmimiseni.

3.2 Koolitus- ja testimisandmete hankimine

Mudeli koolitamiseks ja testimiseks kaaluti kahte võimalust. Üks oli võtta ühendust kohalike haiglatega, et saada anonüümset patsienditeavet puhtalt akadeemiliseks kasutamiseks, ja teine ​​​​oli leida veebis kasutamiseks saadaval olev andmestik. Eelistati Internetis ja leiti andmestik 400 patsiendikirjega, 250 kroonilise neeruhaigusega(Krooniline neeruhaigus) patsiente ja 150 kroonilise neeruhaiguseta patsienti, mis koguti 2 kuu jooksul Indias Tamilnadu Apollo haiglatest. Nagu on näidatud tabelis 1, oli 24 erinevat funktsiooni. Kirjed olid siiski mittetäielikud, paljudel juhtudel puudusid andmed või need olid rikutud, nagu sageli juhtub. Kui kõik tühja väärtusega kirjed eemaldada, oleks kasutatavaid kirjeid vaid veidi üle 200. Seega tuli uurida alternatiivseid meetodeid andmete puhastamiseks ja mittetäielike kirjete säilitamiseks, näiteks tühjade väärtuste asendamine režiimiga, või funktsioonis kõige sagedamini nähtav väärtus, kuid lisaks tuleb arvestada selle funktsiooni teistes kirjetes kõige tavalisema väärtusega kirjete hulgas, mis on muidu kõige sarnasemad puuduva funktsiooniga kirjega.

Tistanche neeruhaiguste korral

Joonis 1. Neural Network Training tööriist, süvaõppe tööriistakasti funktsioon

Tabel 1. Funktsioonide loend

1 0 väärtustest olid samuti Boole'i ​​väärtusi esindavad tekst, mis tuli samuti puhastada väärtuseks 0 ja 1 väärtusteks, kuna ANN-i treenimiseks on lubatud ainult arvväärtusi. Lisaks on tehisintellektil (AI) ilma keelekontekstita raske luua assotsiatsiooni, et "jah" on "ei" vastand, mitte "1" ja "0". Olenevalt andmete puhastamise tulemustest ja säilitatavatest kirjetest on võimalik, et tuleb tugineda muudele andmeallikatele, näiteks võtta ühendust haiglatega anonüümsete patsiendiandmete saamiseks.

4. Tulemused ja arutelu

Keskmiselt kroonilise neeruhaiguse tüüpiline vanus(Krooniline neeruhaigus) leiti, et patsientide vanus oli umbes 55–75, samas kui kroonilise neeruhaigusega patsientide vanus jaotus ühtlasemalt. See näitab, et krooniline neeruhaigus on eakatel rohkem levinud, mis on mõistlik, arvestades geneetiliste probleemide puudumist, kuna kroonilise neeruhaiguse tekkeks kulub aega ja neerukahjustus.

Suhkurtõbi, üldtuntud ka kui diabeet, on riskitegur, mis suurendab kroonilise neeruhaiguse saamise võimalust. Ameerika riikliku neerufondi [13] andmetel haigestuvad 30 protsenti 1. tüüpi diabeetikutest ja 40 protsenti 2. tüüpi diabeetikutest hilisemas elus kroonilise neeruhaiguse. Kui diabeedihaiged ei reguleeri oma veresuhkru taset ravimite, insuliinisüstide ja dieediga, ummistab kõrge glükoosisisaldus neerude pisikesi verekapillaare, kahjustades neere. Kõik andmestikus olevad diabeediga patsiendid olid samuti kroonilise neeruhaigusega patsiendid, kellel oli üle poole kroonilise neeruhaigusega patsientidest(Krooniline neeruhaigus) diabeediga patsiendid.

Punaste vereliblede keskmine arv kroonilise neeruhaigusega patsientidel on madalam kui kroonilise neeruhaigusega patsientidel, jäädes vahemikku 2–6 miljonit tervete 4–7 miljoni punaste vereliblede asemel mikroliitri vere kohta. Madal punaste vereliblede arv viitab aneemiale. Neerud toodavad hormooni nimega erütropoetiin (EPO), mis paneb keha tootma vererakke, millest ei toodeta piisavalt, kui neerufunktsioon CKD kahjustuse tõttu väheneb [14]. Sellisena langeb EPO tase, põhjustades omakorda punaste vereliblede arvu langust, põhjustades seega aneemiat. See toob kaasa hapniku vähenemise kogu kehas, üldise väsimuse, õhupuuduse, külmade jäsemete (käte ja jalgade) ning halvimal juhul surma.

Naatrium ja kaalium on inimorganismile vajalikud mineraalsoolad. Küll aga on võimalik ületada päevane kogus, nagu ka veega. Tavaliselt puhastavad neerud liigsed soolad ja vedelikud, kuid probleem tekib siis, kui need ei tööta enam nii, nagu nad peaksid. See põhjustab vedeliku kogunemist kudedesse ja vereringesse, mis põhjustab kõrget vererõhku, samuti iiveldust, nõrkust ja ebanormaalseid südamerütme [15]. Kaaliumisisaldus on vahemikus 3,3–5,25 mitte-kroonilise neeruhaigusega patsientidel, kellel on suur dispersioon ja naatriumisisaldus 135–151. Siiski on kroonilise neeruhaiguse kaaliumi väärtused(Krooniline neeruhaigus) patsientidel võib maksimum olla kuni 48,4, mis on umbes 10 korda suurem kui tavaline kogus, kusjuures naatriumi maksimum on 170,4.

Sisendandmetes on palju väärtusi, millel on sarnased seotud atribuudid, nagu hemoglobiin, punaste vereliblede arv ja aneemia. Loomulikult on madal punaste vereliblede arv ja madal hemoglobiin korrelatsioonis aneemia tekkega. Samamoodi on korrelatsioon kaaliumi ja naatriumi taseme ja kõrge vererõhu vahel, samuti vere glükoosisisalduse, suhkru ja diabeedi vahel. Mädarakud ja mädarakkude kobarad ning bakterite väärtused on samuti korrelatsioonis, kuna bakterite olemasolu põhjustab mäda, mis eelneb mädarakkude kogunemisele. Seda saab kasutada sisendite arvu vähendamiseks või arvesse võtta andmete puhastamisel ja mittetäielike väärtuste lisamisel. Kaalud, mille ANN igale üksikule sisendile paneb, tehakse koolituse kaudu ja seda ei määrata käsitsi, seega pole veel näha, kas analüüs vastab närvivõrgu enda otsustusprotsessile.

5. Järeldus

Patsientide analüüsitud andmed näitavad käsitsi andmete analüüsi kaudu selget mustrit isegi inimsilmale. ANN võib olla võimeline nägema arvulistes andmetes palju peenemaid mustreid ja seetõttu võib see näidata kroonilise neeruhaiguse diagnoosimisel kõrget täpsust.(Krooniline neeruhaigus) patsientidel, jälgides nende kehavedelikes esinevate tunnuste väärtusi. Tegelikult näitab sarnase teemaga dokumentide läbivaatamine, et funktsioonide arvu saab vähendada ja patsiendilt kogutud analüüse ja vedelikke vähendada. Seetõttu on kulude ja jõupingutuste vähendamisega võimalik tulemuste täpsust minimaalselt vähendada, kuna mõnede väärtuste vahel on pidevalt kõrge korrelatsioon.

Tistanche neeruhaiguste korral