Detekcia chronického ochorenia obličiek zo vzoriek krvi pomocou neurónových sietí

Ďalšie informácie:{0}}

Mohamed Ghassan Latheef*, Rajasvaran Logeswaran a Nurul Haniza Mohtar

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

*E-mail zodpovedajúceho autora: TP047492@mail.apu.edu.my,

Abstraktné.

Tento článok navrhuje prístup umelej neurónovej siete na automatickú detekciuChronické ochorenie obličiekprostredníctvom vzoriek tekutín odobratých pacientom. Uvádza sa zdôvodnenie vývoja takéhoto systému, ako aj možné výhody pre pacientov a medicínsky priemysel. Podobné systémy navrhované v priemysle a na diagnostikuchronické ochorenie obličiekprostredníctvom iných prístupov, ako sú klasifikačné algoritmy. Zhromažďuje sa súbor údajov na trénovanie neurónovej siete a analyzujú sa funkcie, ako aj metodológia a nástroje, ktoré sa majú použiť pri vývoji neurónovej siete.

Podmienky Indexu. UmeléNeurálne siete, Lekárska diagnostika, Analýza údajov,Chronické ochorenie obličiek(CKD).

1. Úvod

Odhaduje sa, že asi 1 z 10 dospelých trpí nejakou formou poškodenia obličiek, pričom milióny ročne zomierajú na komplikácie súvisiace sChronické ochorenie obličiek(CKD) [1]. Štúdia Global Burden of Disease zaradila CKD na 27. miesto v zozname príčin celkového počtu úmrtí na celom svete v roku 1990, ale v roku 2010 stúpla na 18. miesto – stupeň rebríčka zaraďuje vzostupný pohyb na druhé miesto za HIV a AIDS. CKD (Chronické ochorenie obličiek)je mimoriadne škodlivá a nevyliečiteľná, ale ak sa zachytí včas, jej postup možno zastaviť pomocou liekov a správnej diéty.

Je však ťažké zachytiť chorobu včas, kvôli nedostatku varovných príznakov, ktoré sú navonok viditeľné v počiatočných štádiách. Ak teda niekto nemá iné stavy, ktoré by ho robili náchylnejším na poškodenie obličiek, ak je tento človek veľmi opatrný a robí pravidelné kontroly celého tela, alebo ak mu z iného dôvodu robil vyšetrenie krvi alebo moču a zhodou okolností zistil aj CKD, normálne CKD(Chronické ochorenie obličiek) sa vyskytuje iba v stredných až neskorých štádiách.

CKD(Chronické ochorenie obličiek) sa určuje, kedy sú obličky dlhšie ako tri mesiace neschopné efektívne vykonávať svoje zamýšľané funkcie, ako je čistenie krvi od odpadových a nadbytočných produktov a pomoc pri kontrole krvného tlaku [2]. To môže viesť k hromadeniu odpadových produktov v tele pacienta, čo vedie k opuchom a nadúvaniu členkov, nespavosti, dýchavičnosti a slabosti. V čase, keď sú pozorované aj tieto príznaky, už môže byť neskoro. Včasná CKD nevykazuje žiadne vonkajšie príznaky alebo symptómy, niekedy dokonca až do bodu, keď osoba už stratila 90 percent funkcií obličiek [3].

Súčasné metódy diagnostiky CKD(Chronické ochorenie obličiek) zahŕňajú meranie výsledkov sérového kreatinínu v krvi, hladín glukózy v krvi, aby sa zistilo, či je pacient diabetik (keďže diabetici majú veľmi vysokú prevalenciu ochorenia na CKD), ako aj meranie albumínu alebo prítomnosti bielkovín v moč, ktorý by sa v zdravých obličkách odfiltroval.

Tieto však vo všeobecnosti vyžadujú trojmesačné monitorovanie hladín kreatinínu, ako aj ďalších kritérií, ako je hematúria, vrodené malformácie atď. Podľa amerického Národného inštitútu pre diabetes a choroby tráviaceho traktu a obličiek (NIDDK) najnovšie výskumy naznačujú, že /klasifikačný systém identifikuje riziko CKD z analýzy údajov o pacientoch s väčšou presnosťou vo svojich predpovediach, vyžaduje si viacero faktorov a nielen hladinu eGFR, kreatinínu alebo albumínu, ale všetky tri, vek a stav diabetu [4]. Preto sa tento projekt zameriava na použitie podobného súboru údajov o pacientoch s viacerými funkciami, aby sa trénovala neurónová sieť, aby bola schopná identifikovať vzory, ktoré indikujú prítomnosť CKD a vykonať binárnu klasifikáciu. Týmto projektom sa snaží uľahčiť proces testovania na CKD(Chronické ochorenie obličiek) a skrátiť niekoľkomesačné čakanie na určenie, či je problém chronický, jednoduchým použitím výsledkov jedného krvného testu a iných pozorovaní a vykonaných/odobraných vzoriek s väčšou istotou pri diagnóze založenej na viacerých faktoroch namiesto jediného faktora, ktorý by mali vyššie šance, že budú odľahlé v dôsledku vonkajších faktorov. Toto je obzvlášť dôležité, pretože akákoľvek progresia CKD je nezvratná, a preto je v najlepšom záujme pacienta, aby bola rýchlo a presne diagnostikovaná, aby sa mohla začať liečba a okamžite prijať vhodné opatrenia na spomalenie poškodenia.

Kliknite na organickéCistanche na liečbu chronického ochorenia obličiek

2. Literatúra

2.1 Prieskum domény

Lekárska diagnostika a rozhodovanie je vysoko rizikovou oblasťou s vysokou prioritou, pretože stanovenie presných diagnóz je absolútne rozhodujúce pre zdravie pacientov. UmeléNeurálne siete(ANN) a ďalšie techniky strojového učenia sa čoraz častejšie používajú na prípady diagnostiky chorôb so sľubnou úrovňou presnosti.

Al-Shaya prezentoval dva prípady ANN používané na diagnostiku (1) akútneho zápalu obličiek, ku ktorému dochádza, keď sa obličky náhle zapália a vedú k zlyhaniu obličiek, ak sa neliečia, ako aj (2) ochoreniam srdca [5]. Použila sa spätná propagácia spätnej väzby, pričom model akútnej nefritídy uvádzal 99 percent a srdcové ochorenie 95 percentnú presnosť diagnózy. Prvý model mal 6 vstupov, 20 skrytých neurónov, 2 vrstvy a ako tréningový algoritmus používal Levenberg-Marquardt backpropagation s tréningom založeným na zlepšení strednej štvorcovej chyby (MSE). Posledná sieť používala 2 vrstvy, 22 vstupov, 20 skrytých neurónov, pričom ostatné faktory boli rovnaké ako predchádzajúce.

Šter a Dobnikar testovali päť rôznych medicínskych databáz (Coronary Artery Disease, Breast Cancer, Hepatitis, Pima Indians Diabetes a Heart Disease) pomocou ANN a jednoduchších lineárnych diskriminačných metód [6]. Výkon bol relatívne rovnaký, čo znamená, ako tvrdili, že údaje sú jednoduché, pričom hodnoty sú nezávislé atribúty. Ako také tvrdia, že zložité klasifikačné systémy alebo ANN sú v lekárskej diagnostike zbytočné, pretože výsledky sú vysoké aj pre lineárne diskriminačné metódy a metódy Naive Bayes. Treba však poznamenať, že metódy testovali s predvolenými konfiguráciami a bez dolaďovania, a keďže sami uznávajú, že aj zisk niekoľkých percent nepresností v diagnostike pacientov je životne dôležitý, kvantitatívne to môže byť až stovky tisícky ľudí. Toto bola skoršia štúdia a ANN sa potom výrazne rozrástli, najmä s hlbokým učením. Pretrvávajúcim problémom s ANN je však nedostatok transparentnosti – nie je možné vidieť, ako ANN urobila rozhodnutie, ktoré vytvorila, a na akých hodnotách rozhodnutie záviselo. Pacient by nebol presvedčený, ak by lekár nevedel, prečo pacientovi podáva konkrétny liek a liečbu jednoducho podľa predpisu ANN. Nedostatok vysvetlenia tiež znamená, že ľudskí lekári sú ponechaní v tme a nemôžu sa poučiť z rozhodnutí ANN.

Liu a kol. sa ujal úlohy testovania presnosti zdravotníckych pracovníkov v porovnaní s technikami hlbokého učenia, ako je ANN [7]. Aby získali čo najväčší súbor údajov, prehľadali existujúce články a analýzy, aby vykonali metaanalýzu štúdií od 1. januára 2012 do 6. júna 2019 pre štúdie porovnávajúce diagnostický výkon pre akúkoľvek chorobu modelov hlbokého učenia. v porovnaní so zdravotníckymi pracovníkmi. Porovnanie výkonu pre 14 z týchto štúdií ukázalo 87-percentnú súhrnnú citlivosť a 92,5-percentnú súhrnnú špecifickosť pre modely hlbokého učenia, s 86,4 percentami a 90,5 percentami pre zdravotníckych pracovníkov. Aj keď sú výsledky podobné, modely hlbokého učenia sa celkovo darili lepšie, aj keď len okrajovo, a každé menšie zvýšenie percenta je stále odrazom nespočetných životov zachránených alebo vylepšených extrapoláciou tohto čísla na kvantitatívnu hodnotu ľudí postihnutých takýmito zdravotnými problémami.

2.2 Podobné systémy

Existuje veľa článkov, ktoré podrobne popisujú diagnózu CKD(Chronické ochorenie obličiek) pomocou ANN alebo iných metód, ako je využitie Support Vector Machines (SVM) a Naive Bayes.

Kriplani a kol. použili hlbokú neurónovú sieť na predpovedanie CKD pomocou 18 parametrov vo vstupnej vrstve, hoci počet neurónov skrytých vrstiev, vrstiev a sieťovej architektúry nebol v práci spomenutý [8]. Hlboká neurónová sieť mala skutočnú pozitívnu mieru 95,2 percenta a skutočne negatívnu mieru 100 percent, čo bolo tiež porovnané s inými klasifikačnými metódami, ako sú Logistic, Random Forest, Adaboost, SVM a Naïve Bayes. Dokument tvrdil, že ich hlboká neurónová sieť mala najvyššiu presnosť spomedzi všetkých vyššie uvedených metód. Avšak pri ďalšej analýze výsledkov výkonnosti uvedených v článku, hoci rovnakú skutočnú negatívnu mieru získali všetky ostatné klasifikačné metódy, Naïve Bayes a Random Forest, relatívne jednoduchšie algoritmy, vykonali rovnako ako ANN s 95,2 percentami skutočne pozitívnych presnosť. Okrem toho, Adaboost aj SVM dosiahli skutočne pozitívnu mieru presnosti 96,2 percenta, čo je viac ako pri Deep Neural Network. V ďalšej poskytnutej tabuľke boli Naïve Bayes a Deep Neural Network zobrazené s presnosťou 97,7679 percent, zatiaľ čo Adaboost a SVM mali presnosť 98,2143 percent a Random Forest mali presnosť 99,1071 percent. Ich záver, že spomedzi všetkých porovnávaných modelov bola najlepšia hlboká neurónová sieť, sa teda podľa údajov poskytnutých v ich dokumente javí ako chybný, pretože je nielen pomalšia a vyššia v spotrebovaných výpočtových zdrojoch, Naïve Bayes má rovnakú výkonnosť s Adaboost , SVM a Random Forest získavanie vyššej presnosti.

Ahmad a spol. použil SVM, aby navrhol pomocný nástroj na podporu rozhodovania pre núdzové situácie, pričom použil 5 vstupov: krvný tlak, sérový kreatinín, objem zhustených buniek, faktor hypertenzie a faktor anémie [9]. SVM bol kódovaný v programovacom jazyku R s presnosťou 98,34 percenta. Vo svojom príspevku tiež dospeli k záveru, že dôležitosť atribútov bola spojená s priemerným poklesom v Gini alebo priemerom celkového poklesu nečistoty premennej, pričom vyššia hodnota znamená väčšiu úlohu atribútu. Pomocou toho zistili, že objem zhustených buniek bol najdôležitejším atribútom pri diagnostike CKD(Chronické ochorenie obličiek) z údajov. Keďže iba hladiny kreatinínu v sére sú jedným zo spôsobov, ako sa v súčasnosti diagnostikuje CKD, vytvára to určitú neistotu, či by nebolo presnejšie spoliehať sa na hodnoty Packed Cell Volume.

Ravindra a kol. tiež použili SVM na vykonanie klasifikácie a identifikácie CKD(Chronické ochorenie obličiek) pacientov [10]. Vstupné hodnoty boli rozdelené do štyroch rôznych prípadov na základe úzkeho spojenia medzi nimi, pričom:

Prípad 1 -krvný tlak, špecifická hmotnosť a sérový kreatinín;

Prípad 2 -albumín, cukor, náhodná hladina glukózy v krvi a hemoglobín;

Prípad 3 -zbalený objem buniek, počet bielych krviniek a počet červených krviniek;

Prípad 4 -albumín, cukor, náhodná hladina glukózy v krvi, sérový kreatinín, sodík, draslík a hemoglobín.

Každý zo štyroch prípadov bol samostatne testovaný pomocou klasifikátora SVM bez ďalších faktorov a zistilo sa, že Prípad 2 mal najvyššiu presnosť 93,75 percenta. Presnosť je však nižšia ako v iných článkoch predtým, ktoré používali vyšší počet vstupov. Preto, zatiaľ čo sa zdá, že albumín, cukor, náhodná glukóza v krvi a hemoglobín vytvárajú dobré výsledky samy osebe, iné vstupy preukázali zvýšenie presnosti, keď boli zahrnuté spolu.

Salekin a Stankovic použili Random Forest a dosiahli 99,3 percentnú presnosť a 0.1084 Root Mean Square Error (RMSE) pomocou 24 vstupov [11]. Potom však použili rôzne metódy, ako je metóda strojového učenia a regularizácia LASSO, aby vybrali 5 funkcií z pôvodných 24:

^.špecifická hmotnosť,^.albumín,^.cukrovka,^.hypertenzia a^.hemoglobínu.

Cistanche môže zlepšiť funkciu obličiek

Dokument zdôraznil nákladovo efektívnu metódu automatickej detekcie, a preto by zníženie počtu potrebných faktorov pri zachovaní presnosti na najvyššej možnej úrovni zvýšilo nákladovú efektívnosť v dôsledku menšieho počtu potrebných testov a času potrebného na získanie výsledkov testov. Odhadujú, že s mierou inflácie 2{7}}16 v USA a cenou lekárskych testov by pacientsky test nezabral viac ako 45,05 USD. S 5 atribútmi dosiahli presnosť 98 percent s 0,11 RMSE, čo je zníženie presnosti iba o 1,3 percenta po vyradení 19 z pôvodných 24 funkcií.

Vijayarani a Dhayanand použili MATLAB na porovnanie výkonnosti SVM a ANN (feedforward with backpropagation) na súbore údajov pacientov s ochorením obličiek [12]. ANN mala hodnotenie presnosti 87,70 percenta, pričom SVM mala presnosť 76,32 percenta. Avšak SVM trvalo 3,22 sekundy, zatiaľ čo ANN trvalo takmer dvojnásobok času 7,26 sekundy. Presnosť bola výrazne nižšia ako u vyššie uvedených systémov. Tento systém však mal aj viac ako binárnu klasifikáciu CKD(Chronické ochorenie obličiek) alebo Zdravé obličky, namiesto toho bola klasifikovaná do 5 rôznych prípadov: normálny, akútny nefritický syndróm, CKD, akútne renálne zlyhanie alebo chronická glomerulonefritída, čo robilo úlohu zložitejšou.

2.3 Zhrnutie recenzie

Článok od Liu a kol. ukazuje životaschopnosť ANN a iných náhrad strojového učenia nahradiť vyškolené oko zdravotníckych pracovníkov tým, že sú jednoducho presnejšie. Ako však zdôrazňujú Šter a Dobnikar, existuje problém s transparentnosťou rozhodnutí ANN, pretože neexistuje spôsob, ako zistiť, ktorý faktor a ako výrazne ovplyvnil toto rozhodnutie. Faktory možno identifikovať mimo ANN pomocou rôznych metód dolovania a analýzy údajov podobných prístupu Salekina a Stankoviča o CKD(Chronické ochorenie obličiek) funkcie, aby ste videli, ktoré hrajú väčšiu úlohu. Existujú však rozpory, keď sa na identifikáciu priority funkcie používajú rôzne metódy, ako napríklad súbor 5, ktorý zdieľa iba 1 funkciu s prípadom najvyššej presnosti v zisteniach Ravindru et al., albumín. Okrem toho prístup Ahmada et al. v priemernom poklese Gini zistil, že objem zhustených buniek je najvýznamnejším faktorom, avšak žiadna z predchádzajúcich prác nemala žiadny význam pripisovaný tomuto faktoru v konečných vlastnostiach, ktoré si vybrali pre svoje systémy.

Existujú problémy s tým, ako ANN prijímajú rozhodnutia a určitým spôsobom tieto rozhodnutia majú určitý prvok ľudskej zaujatosti, pretože vývojári rozhodujú, ktoré vstupy vyradia ako nepotrebné a ktoré si ponechajú. Salekin a Stankovič však majú dobrý názor; máme prostriedky a je čas vyvinúť presnejšie a nákladovo efektívnejšie riešenie identifikácie CKD(Chronické ochorenie obličiek) rýchlejšie, aby sa ľudia vyhli zbytočnej bolesti, úzkosti a smrti.

3.0 Materiály a metódy

3.1 Programovanie ANN

MATLAB bol použitý na rýchle prototypovanie, pretože umožňuje natívne vytváranie ANN prostredníctvom svojho Deep Learning Toolbox bez akéhokoľvek dodatočného kódovania. Obrázok 1 poskytuje snímku tréningového nástroja ANN v súbore nástrojov Deep Learning Toolbox. Po Kanban sú všetky úlohy pre projekt umiestnené na virtuálnej tabuli, ako je Trello, s rôznymi stĺpcami pre úlohy, ktoré už boli dokončené (ako je rozhodnutie o funkčnosti systému, zhromažďovanie údajov, plán plánovania, dokončenie predbežnej správy, vyplnenie etický formulár atď.), úlohy v procese dokončovania (dokončenie vyšetrovacej správy) a úlohy, ktoré je potrebné dokončiť v budúcnosti (vyčistiť údaje, trénovať AI s údajmi, zdokumentovať výsledky atď.). Základným princípom je dodržať limit rozpracovanosti a držať sa ho, byť čo najkonštantnejší bez prekročenia limitu a priveľa úloh naraz a pokračovať až do dokončenia projektu.

3.2 Získanie údajov o školení a testovaní

Na trénovanie a testovanie modelu sa zvažovali dve možnosti. Jedným bolo kontaktovať miestne nemocnice so žiadosťou o anonymné informácie o pacientoch na čisto akademické účely a druhým bolo nájsť súbor údajov dostupný na použitie online. Online bol preferovaný a našiel sa súbor údajov so 400 záznamami pacientov, 250 CKD(Chronické ochorenie obličiek) pacientov a 150 pacientov bez CKD, zhromaždených z nemocníc Apollo v Tamilnadu v Indii v priebehu 2 mesiacov. Existovalo 24 rôznych funkcií, ako je uvedené v tabuľke 1. Záznamy však boli neúplné, pričom údaje v mnohých prípadoch chýbali alebo boli poškodené, čo sa často stáva. Ak by sa odstránili všetky záznamy s prázdnou hodnotou, použiteľných záznamov by bolo len niečo málo nad 200. Bolo by teda potrebné hľadať alternatívne spôsoby čistenia dát a uchovávania neúplných záznamov, ako je nahradenie prázdnych hodnôt režimom, alebo najčastejšie videná hodnota v objekte, ale s dodatočným zohľadnením najbežnejšej hodnoty videnej v iných záznamoch pre tento prvok medzi záznamami, ktoré sú inak najviac podobné záznamu s chýbajúcim prvkom.

Cistanche na ochorenie obličiek

Obrázok 1. Tréningový nástroj neurónovej siete, funkcia Deep Learning Toolbox

Tabuľka 1. Zoznam funkcií

1 0 hodnôt bol tiež text predstavujúci boolovské hodnoty, ktoré bolo tiež potrebné vyčistiť na 0 a 1 hodnoty, pretože na trénovanie ANN sú akceptované iba číselné hodnoty. Okrem toho je pre umelú inteligenciu (AI) bez kontextu jazyka ťažké vytvoriť asociáciu, že „áno“ je opakom „nie“ na rozdiel od „1“ a „0“. V závislosti od výsledkov čistenia údajov a uchovávaných záznamov je možné, že sa budete musieť spoľahnúť na iné zdroje údajov, ako je kontaktovanie nemocníc kvôli anonymným údajom o pacientoch.

4. Výsledky a diskusia

V priemere typický vek CKD(Chronické ochorenie obličiek) Zistilo sa, že pacienti sú vo veku 55 až 75 rokov, zatiaľ čo vek pacientov bez CKD bol rozdelený rovnomernejšie. To ukazuje, že CKD je častejšia u starších ľudí, čo je rozumné vzhľadom na nedostatok genetických problémov, pretože rozvoj CKD si vyžaduje čas a trvalé poškodenie obličiek.

Diabetes Mellitus, tiež bežne známy ako diabetes, je rizikovým faktorom, ktorý zvyšuje šancu na získanie CKD. V skutočnosti podľa American National Kidney Foundation [13] asi 30 percent diabetikov 1. typu a 40 percent diabetikov 2. typu dostane CKD neskôr v živote. Ak diabetici neregulujú svoje hladiny glukózy v krvi liekmi, inzulínovými injekciami a diétou, vysoké hladiny glukózy upchajú drobné krvné kapiláry v obličkách a poškodia obličky. Všetci diabetickí pacienti v súbore údajov boli tiež pacienti s CKD, s viac ako polovicou CKD(Chronické ochorenie obličiek) pacientov s cukrovkou.

Počet červených krviniek u pacientov s CKD je v priemere nižší ako u pacientov bez CKD, pohybuje sa od 2 do 6 miliónov namiesto zdravých 4 až 7 miliónov červených krviniek na mikroliter krvi. Nízky počet červených krviniek svedčí o anémii. Obličky produkujú hormón nazývaný erytropoetín (EPO), ktorý núti telo produkovať krvinky, ktorých sa pri zníženej funkcii obličiek v dôsledku CKD nevytvorí dostatočné množstvo [14]. Hladiny EPO ako také klesajú, čo spôsobuje pokles počtu červených krviniek, čo spôsobuje anémiu. To vedie k menšiemu prenosu kyslíka do tela, celkovej únave, dýchavičnosti, studeným končatinám (ruky a nohy) a v najhorších prípadoch k smrti.

Sodík a draslík sú esenciálne minerálne soli potrebné pre ľudské telo. Je však možné prekročiť denný limit príjmu, ako pri vode. Obličky normálne vyčistia prebytočné soli a tekutiny, no problém s butánom nastáva, keď už nefungujú tak, ako by mali. To vedie k hromadeniu tekutín v tkanivách a krvnom obehu, čo spôsobuje vysoký krvný tlak, ako aj nevoľnosť, slabosť a abnormálny srdcový rytmus [15]. Draslík je v rozmedzí 3,3 až 5,25 pre pacientov bez CKD s vysokým rozptylom a sodík 135 až 151. Avšak hodnoty draslíka pri CKD(Chronické ochorenie obličiek) pacienti môžu dosiahnuť maximum až 48,4, čo je asi 10-krát viac ako normálne množstvo, pričom vrchol sodíka dosiahne 170,4.

Vo vstupných údajoch je veľa hodnôt, ktoré majú podobné prepojené atribúty, ako napríklad hemoglobín, počet červených krviniek a anémia. Nízky počet červených krviniek a nízky hemoglobín prirodzene korelujú s rozvojom anémie. Podobne existuje korelácia medzi hladinami draslíka a sodíka s vysokým krvným tlakom, ako aj hladinami glukózy v krvi, cukru a cukrovky. Bunky hnisu a zhluky buniek hnisu, ako aj hodnoty baktérií tiež korelujú, pretože prítomnosť baktérií spôsobuje hnis, ktorý predchádza zhlukom buniek hnisu. To sa dá použiť na zníženie počtu vstupov alebo sa to môže vziať do úvahy pri čistení údajov a pridávaní neúplných hodnôt. Váhy, ktoré ANN kladie na každý jednotlivý vstup, budú na základe tréningu a nebudú sa nastavovať manuálne, takže či sa analýza zhoduje s vlastným rozhodovacím procesom neurónovej siete, sa ešte len uvidí.

5. Záver

Analyzované údaje pacientov ukazujú jasný vzor prostredníctvom manuálnej analýzy údajov dokonca aj pre ľudské oko. ANN môže byť schopný vidieť oveľa jemnejšie vzory v numerických údajoch, a preto môže predstavovať vysokú úroveň presnosti z hľadiska diagnostiky CKD(Chronické ochorenie obličiek) u pacientov prostredníctvom pozorovania hodnôt vlastností prítomných v ich telesných tekutinách. V skutočnosti preskúmanie článkov na podobnú tému ukazuje, že počet funkcií sa môže znížiť a testy a tekutiny odobraté pacientovi sa môžu znížiť. Preto so znížením nákladov a úsilia je možné dosiahnuť minimálne zníženie presnosti výsledku v dôsledku trvalo vysokej korelácie medzi niektorými hodnotami.

Cistanche na ochorenie obličiek