The object of research, development or design (in Russian) : Объектом исследования являются пациенты с трансплантацией почки, а также живые и умершие доноры.

The object of research, development or design (in Kazakh) : Зерттеу объектісі – бүйрек трансплантациясы бар науқастар және тірі және қайтыс болған донорлар

Aim of work (in Russian) : Мы стремимся разработать приложение с искусственным интеллектом для улучшения стратификации риска для реципиентов трансплантата почки от живых доноров путем создания постоянно уточняемых прогнозов раннего нарушения функции аллотрансплантата и выживаемости.

Aim of work (in Kazakh) : Біз ерте аллотрансплантаттың сәтсіздігі мен өмір сүруінің үздіксіз жақсартылған болжамдарын генерациялау арқылы тірі донорлық бүйрек трансплантаты реципиенттері үшін тәуекел стратификациясын жақсарту үшін AI қосымшасын әзірлеуді мақсат етеміз.

Методы исследования (на русском) : Разработка модели представляла собой последовательный процесс со следующими шестью этапами: подготовка данных, проектирование признаков, прогнозирование моделей, оценка модели, изменение анализа релевантности признаков и развертывание модели (Рис. 3). Шаг 1 и 2 Прежде всего, мы будем работать над подготовкой данных. На этом этапе наша команда решит три основных задач: Шаг 3 Мы планируем использовать несколько алгоритмов в нашем исследовании, как показано ниже:Регрессионные модели: линейная регрессия, полиномиальная регрессия, регрессия гребня, регрессия Лассо и байесовская линейная регрессия, регрессия Кокса; Модели классификации: SVM, K-ближайших соседей, логистическая регрессия, наивный байесовский метод, дерево решений и случайный лес; Шаг 4 К этому этапу мы разработаем упомянутые выше статистически значимые модели. Также для обеспечения корректности моделей мы докажем взаимосвязь между признаками с помощью алгоритма Aприори (рис. 3). Шаг 5-6 Ранее хорошо известные алгоритмы, такие как Gini, SHAPE и LIME, будут использоваться для подтверждения точности прогнозирования (Рис. 3).

Методы исследования (на казахском) : Модельді әзірлеу келесі алты қадамнан тұратын дәйекті процесс болды: деректерді дайындау, мүмкіндіктерді жобалау, үлгіні болжау, үлгіні бағалау, мүмкіндіктердің маңыздылығын талдауды өзгерту және үлгіні орналастыру (3-сурет). 1 және 2 қадам Ең алдымен, біз деректерді дайындаумен айналысамыз. Бұл кезеңде біздің команда үш негізгі тапсырманы шешеді: 3-қадам Төменде көрсетілгендей зерттеуімізде бірнеше алгоритмдерді қолдануды жоспарлап отырмыз: Регрессия модельдері: сызықтық регрессия, полиномиялық регрессия, жоталық регрессия, лассо регрессия және байездік сызықтық регрессия, кокс регрессиясы; Жіктеу үлгілері: SVM, K-ең жақын көршілер, логистикалық регрессия, аңғалдық, шешім ағашы және кездейсоқ орман; 4-қадам Осы кезеңде біз жоғарыда аталған статистикалық маңызды модельдерді әзірлейтін боламыз. Сондай-ақ, модельдердің дұрыстығын қамтамасыз ету үшін біз Apriori алгоритмі арқылы мүмкіндіктер арасындағы байланысты дәлелдейміз (3-сурет). 5-6 қадам Джини, SHAPE және LIME сияқты бұрын белгілі алгоритмдер болжау дәлдігін тексеру үшін пайдаланылады (3-сурет).

Obtained results and novelty (in Russian) : Реализовано модели для нахождения наиболее подходящей для прогнозирования eGFR. В нашем исследовании использовались новые уравнения на основе креатинина и цистатина С для оценки eGRF без учета расы (N Engl J Med 2021; 385:1737-1749). В частности, алгоритмы Random Forest, LightGBM и XgBoost использовались для прогнозирования пересаженных графтов. Затем с помощью Apriori алгоритма были найдены важные признаки (переменные), приводящие к отторжению трансплантата. Мы также проверили наши результаты с помощью теста пропорционального отношения рисков Кокса. Наша модель прогнозирования превзошла традиционное пропорциональное отношение рисков Кокса. Мы опубликовали статью в Biomedcines журнал, входящий в 1 (первый) квартиль по импакт-фактору в базе Web of Science с импакт фактором IF=4.7 (2022). Title: Unveiling the Genetic Footprint: Exploring Somatic Mutations in Peripheral Arterial Disease Progression. Amankeldi A. Salybekov & Mehdi Hassanpour.

Obtained results and novelty (in Kazakh) : eGFR болжау үшін ең қолайлысын табу үшін модель іске асырылды. Біздің зерттеуіміз нәсілге түзетусіз eGRF бағалау үшін креатинин мен цистатин С негізіндегі жаңа теңдеулерді қолданды (N Engl J Med 2021; 385: 1737–1749). Атап айтқанда, трансплантацияланған трансплантацияларды болжау үшін Random Forest, LightGBM және XgBoost алгоритмдері пайдаланылды. Содан кейін Apriori алгоритмін қолдана отырып, трансплантациядан бас тартуға әкелетін маңызды белгілер (айнымалылар) табылды. Сондай-ақ біз өз нәтижелерімізді Кокс пропорционалды қауіптер сынағы арқылы тексердік. Біздің болжау үлгісі дәстүрлі Кокс пропорционалды қауіп коэффициентінен асып түсті. Біз мақаланы IF=4,7 импакт-факторы бар Web of Science дерекқорындағы импакт-фактордың 1-ші (бірінші) квартиліне енгізілген Biomedcines журналында жарияладық (2022). Тақырып: Генетикалық ізді ашу: перифериялық артериялық аурулардың прогрессиясындағы соматикалық мутацияларды зерттеу. Аманкелді А.Салыбеков & Мехди Хасанпур.

The main constructive and technical economic indicators (in Russian) : На данном этапе работы выполнены опытно конструкторские работы по созданию фенотипных данных. Изучение исходных данных донора и последующих данных и интегративный анализ с данными реципиента позволяет повышению прогностического потенциала трансплантатов-кандидатов до трансплантации.

The main constructive and technical economic indicators (in Kazakh) : Жұмыстың осы кезеңінде фенотиптік мәліметтерді жасау үшін тәжірибелік-конструкторлық жұмыстар жүргізілді. Донордың бастапқы деректерін және кейінгі мәліметтерді зерттеу және реципиенттің деректерімен интегративті талдау трансплантацияға үміткерлердің трансплантация алдындағы болжамдық әлеуетін арттыруға мүмкіндік береді.

Level of implementation (in Russian) : Мы улучшили точность прогнозирования AUROC на 90% для прогнозирования как живых, так и умерших почечных трансплантатов в 5-кратной перекрестной проверке. На следующем этапе мы хотим использовать большие группы данных для тестирования нейронных сетей, чтобы повысить точность прогнозирования до 95% соответственно. Кроме того, мы создали инструмент прогнозирования на основе нашей модели.

Level of implementation (in Kazakh) : Біз 5 есе кросс-валидацияда тірі және өлген бүйрек трансплантациясын болжау үшін AUROC болжамының дәлдігін 90%-ға жақсарттық. Келесі қадамда болжау дәлдігін сәйкесінше 95%-ға дейін жақсарту үшін нейрондық желілерді сынау үшін деректердің үлкен топтарын пайдаланғымыз келеді. Сонымен қатар, біз өз үлгіміз негізінде болжау құралын жасадық.

Efficiency (in Russian) : Этот метод позволяет сэкономить затраты на лечение в будущем и улучшить программы трансплантации за счет персонализированного прогнозирования соответствия донора и реципиента перед трансплантацией.

Efficiency (in Kazakh) : Бұл әдіс болашақ емдеу шығындарын үнемдейді және трансплантация алдында донор мен реципиент сәйкестігін болжау арқылы трансплантация бағдарламаларын жақсартады.

Field of application (in Russian) : Инновационные исследования в медицине (Трасплантация почки) и общественном здравоохранении

Field of application (in Kazakh) : Медицина (Бүйрек Трасплантациясы) және денсаулық сақтау саласындағы инновациялық зерттеулер