Pipeline di machine learning riproducibile per stimare il rischio renale da esami del sangue di routine, confrontata con la stratificazione clinica KDIGO e con tecniche di data augmentation per classi sbilanciate.
Francesco Coppola
- In breve
- Motivazione clinica
- Domande di ricerca
- Dati
- Definizione del target
- Architettura della pipeline
- Metodologia
- Risultati principali
- Stato di avanzamento
- Riproducibilità
- Struttura del repository
- Limiti dichiarati
- Citazione e licenza
K-Risk allena modelli di classificazione che, senza usare esami renali, stimano quali soggetti presentano marcatori di malattia renale cronica (CKD) secondo i criteri KDIGO. Le stime vengono poi confrontate con la stratificazione clinica del rischio, e si misura quanto le tecniche di data augmentation (undersampling, oversampling, SMOTE, CTGAN) migliorano il riconoscimento dei casi più gravi.
| Popolazione | 5.801 soggetti di una coorte ospedaliera (reparto di Diabetologia ed Endocrinologia, Shanghai, 2012), in maggioranza senza diabete noto |
| Input | 74 variabili, nessun esame renale: anagrafica, antropometria, pressione, glicemia, lipidi, emocromo, anamnesi, stili di vita |
| Escluse | tutte le variabili renali (creatinina, ACR, albuminuria, azotemia, eGFR e derivati) |
| Target | binario: ACR ≥ 30 mg/g oppure eGFR < 60 ml/min/1,73 m² (eGFR ricalcolato con CKD-EPI 2021) |
| Prevalenza | 567 positivi su 5.801 (9,77%): classi sbilanciate |
| Valutazione | AUC, PR-AUC, sensibilità per livello KDIGO, concordanza con la stratificazione clinica |
Il contributo non è un nuovo algoritmo, ma una pipeline completa, riproducibile e metodologicamente rigorosa: ogni scelta è motivata, confrontata con alternative in cross-validation e documentata.
La malattia renale cronica è spesso asintomatica fino a stadi avanzati e si diagnostica con due esami specifici: la creatinina sierica (da cui si stima il filtrato, eGFR) e il rapporto albumina/creatinina urinaria (ACR). Nelle persone con diabete le linee guida prescrivono questi esami ogni anno; nella popolazione generale invece non vengono eseguiti di routine.
La domanda di K-Risk è quindi: con i soli esami del sangue di routine, è possibile stabilire a chi dare la priorità per gli esami renali? Un modello di questo tipo non sostituisce gli esami: aiuta a indirizzarli.
Le prime quattro domande valgono per i modelli sui dati originali (Fase A) e, identiche, per ogni tecnica di bilanciamento (Fase B).
| # | Domanda | Come si misura |
|---|---|---|
| 1 | Il modello distingue chi ha marcatori di malattia renale? | AUC, PR-AUC, precision, recall |
| 2 | Il rischio stimato cresce con la gravità KDIGO? | probabilità per livello, test di tendenza |
| 3 | Quanti casi "alto" e "molto alto" riconosce? | sensibilità per livello (mancare un "molto alto" è l'errore più grave) |
| 4 | Le fasce di rischio del modello corrispondono alla stratificazione clinica? | concordanza con i livelli KDIGO |
| 5 | L'augmentation migliora il riconoscimento dei casi gravi o solo la metrica media? | confronto fra tecniche sulle domande 1–4 |
| 6 | Come si comporta il modello nel sottogruppo diabetico (91 casi)? | risultati descrittivi |
Dataset pubblico A bimodal dataset for diabetes research (Li et al., Scientific Data, 2026), incluso senza modifiche in data/raw/ con licenza CC BY 4.0. Fonte, dizionario delle variabili e checksum sono in data/README.md.
- 5.922 soggetti, 190 variabili, una sola misurazione per soggetto (dati trasversali)
- 5.801 soggetti utilizzabili: quelli con creatinina sierica e ACR misurate, necessarie per calcolare il target
- sottogruppo diabetico: 351 soggetti, 91 positivi, in cui il target coincide con la definizione di malattia renale nel diabete (DKD)
y = 1 se ACR ≥ 30 mg/g oppure eGFR < 60 ml/min/1,73 m²
y = 0 altrimenti
L'eGFR è ricalcolato con l'equazione CKD-EPI 2021, raccomandata da KDIGO: la colonna GFR del dataset non corrisponde a nessuna equazione standard (CKD-EPI 2009/2021, MDRD, MDRD cinese, Cockcroft-Gault) e contiene valori fuori scala.
Incrociando le categorie di eGFR (G1–G5) e di ACR (A1–A3) si ottiene la mappa di rischio KDIGO a quattro livelli. I livelli non vengono usati per allenare i modelli, ma per valutarli.
| Livello KDIGO | Soggetti | Target |
|---|---|---|
| basso | 5.234 | 0 |
| moderato | 473 | 1 |
| alto | 67 | 1 |
| molto alto | 27 | 1 |
Perché una classificazione e non una regressione sull'ACR: l'ACR ha una distribuzione fortemente asimmetrica, le tecniche di augmentation da confrontare sono pensate per la classificazione e KDIGO è già, per costruzione, una classificazione.
flowchart LR
A[(Dataset grezzo<br/>5.922 × 190)] --> B[Soggetti eleggibili<br/>5.801]
B --> C[Target KDIGO<br/>eGFR CKD-EPI 2021 + ACR]
C --> D{Split 75/25<br/>stratificato<br/>livello KDIGO × diabete}
D --> T[(Test set<br/>congelato)]
D --> TR[Training set]
TR --> E[Selezione feature<br/>190 → 74<br/>nessuna variabile renale]
E --> F[Cross-validation stratificata]
subgraph FOLD [Dentro ogni fold, solo sul training]
direction TB
G[Standardizzazione<br/>+ imputazione MissForest] --> H[Bilanciamento<br/>Fase B]
H --> I[Modello]
I --> L[Ricalibrazione<br/>probabilità]
end
F --> FOLD
FOLD --> M[Previsioni out-of-fold<br/>confronto con KDIGO]
M --> N[Scelta di modello,<br/>tecnica e soglia]
N --> O[Valutazione finale<br/>una sola volta]
T --> O
Il principio guida è l'assenza di data leakage: ogni trasformazione che impara dai dati (imputazione, scaling, bilanciamento, generatori sintetici) è stimata solo sul training di ogni fold, e il test set viene letto una sola volta, alla fine.
- 75/25, seed fisso (
42), stratificato sulla combinazione livello KDIGO × diabete: i pochi casi "molto alto" e i diabetici sono distribuiti in proporzione in entrambi i set - training: 4.350 soggetti · test: 1.451 soggetti
- equilibrio verificato con la differenza media standardizzata (SMD) su 15 variabili cliniche e con una simulazione su 1.000 split casuali, per mostrare che la stratificazione riduce la variabilità del numero di casi gravi nel test
Ogni colonna del dataset appartiene a esattamente un gruppo, dichiarato in configs/config.yaml e verificato dai test automatici. Nessuna colonna viene esclusa senza un motivo esplicito.
| Gruppo escluso | Esempi | Motivo |
|---|---|---|
| leakage del target | SCRE, UMAUCR, GFR, DN |
il target è calcolato da queste colonne |
| esami renali | BUN, RF |
violano il vincolo "senza esami renali" |
| amministrative / non documentate | NO, Data, VAR00001 |
nessun significato clinico |
| vuote (> 50% NA) | CDSMS, GLU, HPLC |
l'imputazione inventerebbe la maggior parte dei valori |
| derivate a soglia | BMI25, Anemia, FPGover7 |
ricodifiche di variabili già presenti |
| comorbidità con codice 9 | Angina, MI, HF |
dopo la ricodifica di "sconosciuto" > 15% NA e nessun segnale |
| indici instabili | Homaβ |
formula con denominatore FPG − 3,5: esplode sopra 1000 |
| > 15% NA sul training | LC, ALY |
soglia di mancanti fissata a priori |
Risultato: 74 feature (60 numeriche + 14 categoriche). Un secondo set, no_consequence (67 feature), toglie le variabili che la malattia renale altera (emoglobina, ematocrito, acido urico, albumina…) ed è usato come analisi di sensibilità: serve a verificare che il modello non riconosca la malattia dalle sue conseguenze.
Come controllo anti-leakage, l'AUC univariata di ogni feature finale è confrontata con quella delle variabili renali escluse: nessuna feature in input si avvicina al loro potere discriminante.
- categoriche: codifica senza one-hot (binarie 0/1, ordinali 0/1/2 per fumo, alcol, tè), imputazione con la moda
- numeriche: standardizzazione, poi imputazione con MissForest (lo stesso ordine per tutti i candidati del confronto, perché KNN e MICE lavorano su distanze e regressioni)
- nessuna trasformazione logaritmica: testata sulle 25 variabili con asimmetria > 2, guadagno di PR-AUC +0,008 ± 0,005 (non significativo, t ≈ 1,5). Si mantiene la scala clinica, più leggibile per odds ratio e SHAP
- valori estremi tenuti: clinicamente possibili e presenti in uno screening reale; toglierli solo dal training renderebbe il modello impreparato sul test
Il 38% dei soggetti del training ha almeno un valore mancante: eliminare le righe incomplete distruggerebbe oltre un terzo del campione. Quattro metodi, in ordine di complessità, sono stati confrontati in cross-validation a 5 fold stratificata sul livello KDIGO, con due criteri:
- (a) ricostruzione: si nasconde il 10% dei valori osservati e si misura l'errore (RMSE in unità standardizzate)
- (b) prestazioni a valle: regressione logistica fissa usata come strumento di misura (PR-AUC)
| Metodo | RMSE ↓ | PR-AUC ↑ | AUC | Tempo |
|---|---|---|---|---|
| Mediana | 1,038 ± 0,047 | 0,252 ± 0,030 | 0,693 | 1 s |
| KNN (k = 5) | 0,793 ± 0,057 | 0,259 ± 0,032 | 0,695 | 11 s |
| MICE | 1,252 ± 0,135 | 0,257 ± 0,032 | 0,697 | 70 s |
| MissForest | 0,734 ± 0,066 | 0,257 ± 0,031 | 0,696 | 305 s |
Set principale, media ± errore standard sui fold. Ogni imputer usa come predittori anche le variabili categoriche (es. DM per stimare HbA1c).
Regola di scelta in due fasi, derivata dalla regola di 1 errore standard (Hastie, Tibshirani & Friedman 2009): si tengono i metodi con PR-AUC entro 1 SE dal migliore, poi fra questi il più semplice con RMSE entro 1 SE dal migliore.
Cosa emerge:
- a valle i quattro metodi sono indistinguibili (PR-AUC 0,252–0,259, errore standard ~0,03)
- la mediana è esclusa: non ricostruisce nulla (RMSE ~1, come prevedere la media) e assegna lo stesso valore a tutti i mancanti. I 397 soggetti senza
HbA1cricevono tutti 5,5, diabetici compresi. In Fase B questi picchi artificiali verrebbero moltiplicati da SMOTE e appresi da CTGAN come parte della distribuzione - MICE è escluso: estrapolazioni estreme sulle variabili asimmetriche (RMSE instabile)
- KNN e MissForest sono al margine della regola: KNN rientra nella soglia sul set principale (0,793 contro 0,800) e ne esce nel set di sensibilità. La regola, basata su errori standard non appaiati, qui non separa i due metodi
- il confronto appaiato (stessi fold, stessi valori nascosti), che è il confronto corretto fra metodi valutati sugli stessi dati (Nadeau & Bengio 2003), è invece netto e stabile: MissForest ricostruisce meglio in tutti i fold di entrambi i set (RMSE +0,060 ± 0,010 per KNN), con prestazioni a valle equivalenti
Metodo scelto: MissForest, per entrambi i set di feature e per entrambe le fasi. Oltre al confronto appaiato, lo motivano quattro ragioni:
- la letteratura clinica: MissForest ha l'errore di imputazione più basso di KNN e MICE su dati misti, di laboratorio e di diabete (Stekhoven & Bühlmann 2012; Waljee et al. 2013; Tiwaskar et al. 2025)
- la Fase B: SMOTE interpola fra casi vicini e CTGAN impara la distribuzione congiunta, quindi servono valori imputati fedeli e correlazioni conservate
- la coerenza con le altre scelte: niente logaritmo e valori estremi tenuti. Gli alberi sono insensibili ad asimmetria e valori estremi, le distanze di KNN no
- l'analisi di sensibilità: stesso imputer per entrambi i set di feature, così i risultati differiscono solo per le variabili tolte
La scelta è stata fatta dopo aver visto i risultati ed è dichiarata come tale. Il rischio è limitato: a valle i metodi sono equivalenti, e in Fase B è prevista un'analisi di sensibilità con KNN. Il costo (circa 5 minuti) si paga una volta per fold: i dati imputati vengono salvati e riusati per tutti i modelli e le tecniche di bilanciamento. L'imputer non vede mai il target, quindi il riuso non introduce leakage. Storia completa della decisione in Notepad.md, Passi 4–10.
| Fase | Contenuto |
|---|---|
| A — dati originali | cinque modelli, uno per ruolo: classificatore di maggioranza (soglia minima), regressione logistica con i predittori del punteggio clinico SCORED (Bang et al. 2007), regressione logistica penalizzata, Random Forest, XGBoost. Cross-validation annidata, stesso budget di ottimizzazione per tutti |
| B — bilanciamento | gli stessi cinque modelli con: nessuna correzione, pesi di classe, undersampling, oversampling, SMOTE, CTGAN (anche condizionato al livello KDIGO) |
| C — sottogruppo diabetico | stesse previsioni filtrate sui diabetici, soglia e fasce globali fisse |
| D — tetto di prestazione (post-hoc) | dieci strategie in più (ensemble, altre famiglie di modelli, TabPFN…) e il tri-ensemble su 21 variabili, con una regola di decisione fissata prima; controllo positivo, curva di apprendimento, qualità dell'etichetta |
| Qualità e utilità clinica (post-hoc) | decision curve, calibrazione anche nei sottogruppi, costo per caso trovato, confronto con Bragg-Gresham et al. 2025 |
| Conclusioni e test | risposte alle domande 1–6, poi conferma sul test set una sola volta, con protocollo fissato prima |
- augmentation solo sul training e dentro ogni fold: i dati sintetici non finiscono mai in validazione o nel test
- ricalibrazione delle probabilità dopo il bilanciamento, che le distorce; si riportano anche metriche basate sull'ordinamento, immuni alla distorsione
- confronto con KDIGO solo su soggetti reali: i sintetici non hanno un livello KDIGO
- analisi per livello sulle previsioni out-of-fold del training (50 "alto", 21 "molto alto"), conferma sul test (17 e 6)
- test set usato una volta sola: scelte di modello, tecnica e soglia si fanno in cross-validation
Previsioni out-of-fold sul training (4.350 soggetti, 425 positivi), confermate sul test set (1.451 soggetti mai visti, esecuzione unica del 22/09/2026, protocollo fissato prima): nessuna delle cinque affermazioni pre-registrate è contraddetta; sul test l'AUROC è 0,71–0,74. Dettaglio nel
Notepad.md, tabelle inanalytics/test/. Sintesi completa, con lo stato dell'arte verificato, invalorizzazione_tesi.md.
| # | Domanda | Risposta |
|---|---|---|
| 1 | Il modello distingue chi ha marcatori di malattia renale? | sì, in modo modesto: AUROC 0,675–0,703, PR-AUC 2,3–2,6 volte la prevalenza; nessun modello migliore degli altri in modo dimostrabile |
| 2 | Il rischio stimato cresce con la gravità KDIGO? | sì: circa il 70% delle coppie di soggetti è ordinato come KDIGO |
| 3 | Quanti casi "alto" e "molto alto" riconosce? | a sensibilità 0,90, 46–47 "alto" su 50 e 18–20 "molto alto" su 21, ma non più dei moderati |
| 4 | Le fasce corrispondono alla stratificazione clinica? | poco: kappa pesato circa 0,2. Il modello riconosce la presenza dei marcatori, non il grado |
| 5 | L'augmentation migliora il riconoscimento dei casi gravi? | no, a parità di sensibilità; alla soglia 0,5 però sembra portare il recall dal 2% al 61% |
| 6 | Come si comporta sui diabetici? | discrimina come sugli altri, ma alla soglia globale degenera in "testare tutti" |
- tetto di prestazione (Fase D, post-hoc): dieci strategie in più restano fra AUROC 0,692 e 0,710. Il limite è l'albuminuria: i casi con eGFR < 60 si riconoscono bene (0,80–0,86), quelli con sola albuminuria no (0,67–0,69). Con l'albumina urinaria fra le feature (controllo positivo) l'AUROC sale a 0,933
- utilità clinica (post-hoc): alla soglia del 7% il modello evita 9–13 esami inutili ogni 100 persone rispetto a "testare tutti", al 10% 25–28; sui diabetici nessun vantaggio fino al 10%
- contro SCORED (Bang et al. 2007): i modelli con gli esami del sangue di routine sono superiori su tutte le misure, ma le differenze non sono significative: replica di Christodoulou et al. 2019
- quattro risultati apparenti, misurati: la soglia 0,5, la PR-AUC fra gruppi con prevalenza diversa, la media delle pendenze di calibrazione, la selezione delle variabili fuori dalla validazione
- Acquisizione del dataset e verifica di integrità (checksum)
- Ricalcolo dell'eGFR (CKD-EPI 2021) e classificazione KDIGO
- Split train/test stratificato e verifica di bilanciamento
- Selezione delle feature con esclusione documentata di ogni colonna
- Confronto dei metodi di imputazione in cross-validation (mediana, KNN, MICE, MissForest)
- Scelta motivata dell'imputer (MissForest)
- Test automatici su split e preprocessing
- Fase A — modelli sui dati originali e confronto con KDIGO
- Fase B — tecniche di bilanciamento e data augmentation (SMOTE, CTGAN)
- Fase C — sottogruppo diabetico
- Interpretabilità (SHAP, coefficienti)
- Fase D — ricerca del tetto di prestazione (post-hoc)
- Qualità e utilità clinica: decision curve, calibrazione, costi (post-hoc)
- Conclusioni delle domande 1–6
- Valutazione finale sul test set: eseguita una volta sola il 22/09/2026, nessuna conclusione contraddetta
- Prototipo dimostrativo
git clone https://github.com/KekkoCoppola/K-Risk.git
cd K-Risk
python -m venv .venv
source .venv/bin/activate # Windows: .venv\Scripts\activate
pip install -r requirements-lock.txtTestato con Python 3.12.10 su Windows 11. requirements-lock.txt fissa le versioni esatte usate per produrre i risultati; requirements.txt elenca le dipendenze dirette con le versioni minime.
python -m src.data.split # split train/test in data/processed/
python -m src.analytics.dataset_overview # figure in analytics/dataset/
python -m src.analytics.split_report # figure in analytics/split/
python -m src.data.imputation # confronto imputazione (~10 min, MissForest è il più lento)
python -m src.analytics.preprocessing_report # figure in analytics/preprocessing/
python -m src.data.imputed # fold imputati per la CV annidata (~1 ora, una volta sola)
python -m src.models.phase_a # Fase A: 5 modelli, CV annidata, Optuna (diverse ore; riprende da dove si è fermata)
python -m src.models.evaluation # valutazione Fase A sulle previsioni out-of-fold (~2 min), tabelle in analytics/phase_a/evaluation/
python -m src.models.interpretation # odds ratio delle logistiche e SHAP di Random Forest e XGBoost (~5 min)
python -m src.analytics.phase_a_report # figure della valutazione e dell'interpretazione Fase A in analytics/phase_a/
python -m src.models.phase_a --sensitivity depth_1_12 # analisi di sensibilità: XGBoost con max_depth 1-12 (~45 min)
python -m src.models.evaluation --sensitivity depth_1_12 # sua valutazione, confrontata con i modelli primari
python -m src.data.augmented # Fase B: training bilanciati per fold (cache in data/augmented/)
python -m src.models.phase_b --techniques class_weight level_weight undersampling oversampling smote_nc smote_nc_level
python -m src.data.augmented --techniques ctgan ctgan_level # esplorative
python -m src.models.phase_b --techniques ctgan ctgan_level
python -m src.models.phase_b --calibrate none class_weight level_weight undersampling oversampling smote_nc smote_nc_level
python -m src.models.phase_b --collect # previsioni out-of-fold in analytics/phase_b/
python -m src.models.evaluation_b # valutazione Fase B (esito primario, confronti, calibrazione)
python -m src.analytics.phase_b_report # figure della Fase B in analytics/phase_b/
python -m src.models.phase_c # Fase C: sottogruppo diabetico (~3 min)
python -m src.analytics.phase_c_report # figure della Fase C in analytics/phase_c/
python -m src.models.phase_d --candidates <candidati> --diagnostics <diagnostiche> --evaluate # Fase D (nomi in configs/config.yaml)
python -m src.analytics.phase_d_report # figure della Fase D in analytics/phase_d/
python -m src.models.clinical_utility # qualità e utilità clinica (~3 min)
python -m src.analytics.quality_report # figure in analytics/quality/
python -m src.models.final_test --run # conferma sul test set: una volta sola, solo con final_test.authorized = true
python -m pytest # test automatici- un solo file di configurazione (
configs/config.yaml): percorsi, seed, soglie cliniche, gruppi di feature, parametri di imputazione - seed fisso in ogni passaggio casuale
- dati grezzi versionati e mai modificati; tutto ciò che è derivato si rigenera dai comandi sopra
- test automatici che verificano, tra l'altro: assenza di sovrapposizioni fra train e test, stratificazione, assenza di colonne renali o con codice 9 in input, copertura completa delle colonne nei gruppi di feature, regola di scelta dell'imputazione
- registro delle decisioni in
Notepad.md: ogni scelta con verifiche, numeri e motivazioni; lo scope del progetto è inScope.md
K-Risk/
├── analytics/ figure e tabelle generate
│ ├── dataset/ esplorazione del dataset e del target
│ ├── split/ verifica dello split train/test
│ ├── preprocessing/ selezione feature e confronto imputazione
│ ├── phase_a/ Fase A: previsioni out-of-fold, tabelle di valutazione (evaluation/), figure
│ ├── phase_b/ Fase B: risultati per tecnica, valutazione (evaluation/), figure
│ ├── phase_c/ Fase C: sottogruppo diabetico
│ ├── phase_d/ Fase D: candidati, diagnostiche, confronto con la regola
│ ├── quality/ qualità e utilità clinica: decision curve, calibrazione, costi
│ └── test/ conferma finale sul test set (dopo l'esecuzione unica)
├── configs/
│ └── config.yaml unica fonte di configurazione
├── data/
│ ├── raw/ dataset originale (CC BY 4.0, non modificato)
│ ├── processed/ split train/test (non versionato)
│ └── augmented/ training set bilanciati (non versionato)
├── docs/
│ ├── thesis/ materiale della tesi
│ └── verifica_stato_arte.md verifica bibliografica dello stato dell'arte
├── papers/ letteratura di riferimento (KDIGO, preprocessing, modelli)
├── src/
│ ├── config.py caricamento della configurazione
│ ├── data/
│ │ ├── load.py caricamento e soggetti eleggibili
│ │ ├── kidney.py eGFR CKD-EPI 2021 e livelli KDIGO
│ │ ├── split.py split stratificato e controlli di bilanciamento
│ │ ├── preprocess.py selezione feature, codifiche, preprocessor
│ │ ├── imputation.py confronto dei metodi di imputazione
│ │ ├── folds.py fold della cross-validation annidata (esterni e interni)
│ │ ├── imputed.py fold imputati salvati una volta sola
│ │ └── augmented.py Fase B: tecniche di bilanciamento, training bilanciati per fold
│ ├── models/
│ │ ├── zoo.py i cinque modelli e gli spazi di ricerca
│ │ ├── phase_a.py addestramento della Fase A (CV annidata, Optuna)
│ │ ├── evaluation.py valutazione sulle previsioni out-of-fold (domande 1-4, confronti)
│ │ ├── interpretation.py odds ratio delle logistiche, SHAP degli alberi
│ │ ├── phase_b.py addestramento della Fase B (tecniche, avvio caldo, ricalibrazione di Platt)
│ │ ├── evaluation_b.py valutazione della Fase B (casi gravi, McNemar, calibrazione)
│ │ ├── phase_c.py Fase C: sottogruppo diabetico a soglia e fasce fisse
│ │ ├── phase_d.py Fase D: candidati, diagnostiche, regola di decisione
│ │ ├── clinical_utility.py qualità e utilità clinica
│ │ └── final_test.py conferma finale sul test set (protetta da final_test.authorized)
│ └── analytics/ generazione delle figure
├── tests/ test automatici (pytest)
├── Scope.md perimetro e domande della tesi
├── valorizzazione_tesi.md posizionamento rispetto allo stato dell'arte e sintesi dei risultati
└── Notepad.md registro delle decisioni metodologiche
- una sola misurazione: KDIGO richiede alterazioni persistenti per oltre 3 mesi, quindi si parla di marcatori, non di diagnosi. Un danno acuto non è distinguibile da uno cronico
- confronto con KDIGO non indipendente: target e livelli usano gli stessi marcatori. La domanda è "senza esami renali il modello ordina i soggetti come KDIGO?", non "il modello batte KDIGO"
- livelli gravi poco numerosi (67 "alto", 27 "molto alto"): stime per livello instabili
- sottogruppo diabetico piccolo (91 positivi): risultati solo descrittivi
- dati trasversali: il modello riconosce lo stato presente, non prevede la progressione
- nessuna validazione esterna: una sola popolazione, una sola finestra temporale
- coorte ospedaliera, non screening: gli autori del dataset descrivono dati di un reparto di diabetologia; tipo di campione urinario per l'ACR e unità della creatinina e dell'albumina urinarie non documentati. L'utilità del modello va dimostrata in popolazioni di screening
- possibile struttura per comunità: la prevalenza varia dal 4,5% al 24,5% fra giornate di raccolta, effetto non modellato
Avvertenza. K-Risk è un progetto di ricerca accademica. Non è un dispositivo medico, non è validato clinicamente e non deve essere usato per decisioni diagnostiche o terapeutiche.
Se utilizzi questo lavoro, cita sia il repository sia il dataset originale. I metadati sono in CITATION.cff (GitHub mostra il pulsante Cite this repository).
Dataset
Li J. et al. A bimodal dataset for diabetes research. Scientific Data 13 (2026). doi:10.1038/s41597-026-06923-y · Archivio Zenodo: 10.5281/zenodo.18270337
Riferimenti clinici principali
- KDIGO 2024 Clinical Practice Guideline for the Evaluation and Management of Chronic Kidney Disease. Kidney Int 105(4S):S117–S314 (2024). doi:10.1016/j.kint.2023.10.018
- KDIGO 2026, linea guida su diabete e malattia renale cronica
- Inker L.A. et al. New creatinine- and cystatin C–based equations to estimate GFR without race. N Engl J Med 385(19):1737–1749 (2021). doi:10.1056/NEJMoa2102953 — equazione CKD-EPI 2021
Licenze
Autore: Francesco Coppola · ORCID 0009-0009-0758-8226