Application of machine learning and NIR spectroscopy for monitoring patients on hemodyalisis

Koncept adekvatnosti dijalize ne podrazumeva samo uklanjanje uremijskih simptoma, već i potpunu rehabilitaciju i stabilizaciju stanja pacijenta sa terminalnom insuficijencijom bubrega. Posledice neadekvatnog sistema monitoringa počivaju na činjenici da se provere adekvantosti dijalize u praksi ne izvode dovoljno često, a da u međuvremenu bolesnici mogu biti subdijalizirani. Ova pojava može imati mnoštvo negativnih efekata na pacijenta. Dosadašnja istraživanja usmerena su pretežno na detekciju uremijskih toksina, i to uglavnom uree i kreatinina, i njihovu eliminaciju iz organizma, obično na osnovu skeniranja otpadnog dijalizata uz pomoć neke od optičkih metoda (prevashodno pomoću UV izvora svetlosti). Za sada nema podataka o praćenju nivoa glukoze u krvi pacijenta, stepena anemije, uremije i nivoa elektrolita tokom hemodijalize, na osnovu NIR spektralne informacije otpadnog dijalizata. Praćenje većeg broja parametara koji odslikavaju stanje pacijenta dalo bi kompletniju sliku i približilo se konceptu optimalne dijalize. Istraživanje je obuhvatilo metodu UV-VIS-NIR spektrometrije (Lambda 950, Perkin Elmer), pri čemu je merenje spektara otpadnog dijalizata bilo izvršeno na Mašinskom fakultetu Univerziteta u Beogradu u okviru laboratorije NanoLab. Pored metode UV-VIS-NIR spektrometrije, korišćene su konvencionalne laboratorijske metode koje se koriste u kliničkoj praksi i koje su predstavljale referentne vrednosti za upoređivanje sa eksperimentalnim rezultatima. Softversko rešenje sistema za praćenje parametara otpadnog dijalizata podrazumevalo je implementaciju metoda mašinskog učenja, koje služi za utvrđivanje relacije između spektralnih karakteristika otpadnog dijalizata i parametara izmerenih u krvi. Akvizicija spektara i algoritmi mašinskog učenja napisani su u programskom paketu Python i Matlab®. Izvršena je klasifikacija i regresija parametara koji definišu hiperglikemiju, anemiju i uremiju. Hiperglikemija je praćena kroz koncentraciju glukoze u krvi i tom prilikom AUC zabeležena je vrednost od 0.91 i korelacioni koeficijent od 0.93. Anemija je ogledana kroz koncentraciju parametara eritrocita, hematrokrita, hemoglobina, MCV, MCHC, MCV, nivoa gvožđa u serumu, i tom prilikom prosečna AUC vrednost bila je viša od 0.9, dok je korelacioni koeficijent regresije imao vrednost takođe višu od 0.9. Uremija se ogledala kroz koncentraciju kreatinina, uree i mokraćne kiseline i tom prilikom prosečna AUC vrednost svih parametara bila je viša od 0.85 dok je korelacioni koeficijent imao prosečnu vrednost za sve parametre od 0.91. Metode mašinskog učenja na mnogobrojne načine, bile su primenjene za modeliranje matematičkog modela i sistema za neinvazivnu predikciju koncentracije određenih elemenata. Metode mašinskog učenja su u mogućnosti da, zahvaljujući optičkim, hemijskim, električnim i mikrosenzornim tehnikama, znatno poboljšaju dosadašnje rezultate postignute u neinvazivnim metodama monitoringa hemodijalize.The concept of dialysis adequacy is focused on achieving the complete rehabilitation and stabilization of a patient’s condition, and not merely the elimination of uremic symptoms, . In standard clinical practice the delivered dose of hemodialysis is determined from the urea concentration in patients’ blood samples collected before and after a hemodialysis treatment once a month or even less frequently. Previous research has focused mainly on the detection and elimination of uremic toxins, mainly urea and creatinine, and their elimination from the body, usually based on scanning of waste dialysate using some of the optical methods (primarily using UV light sources). There are currently no data on monitoring the patient's blood glucose levels, degree of anemia or uremia, or electrolyte levels during dialysis, based on the NIR spectral information of the waste dialysate. Monitoring several parameters that reflect the patient's condition would provide a more complete picture and approach the concept of optimal dialysis monitoring. The research was conducted using UV-VIS-NIR spectrometry (Lambda 950, Perkin Elmer). The measurements of waste dialysate spectra were performed at the Faculty of Mechanical Engineering, University of Belgrade within the NanoLab laboratory. In addition to the UV-VIS-NIR spectrometry, conventional clinical practice laboratory methods were used to obtain reference red blood analysis values. The software solution devised for monitoring waste dialysate parameters involved the implementation of machine learning methods, which serve to determine the relationship between its spectral characteristics and the parameters measured in the blood. Spectrum acquisition and machine learning algorithms are written in Python and Matlab®. Classification and regression of parameters defining hyperglycemia, anemia and uremia were performed. Hyperglycemia was monitored through blood glucose concentration and on that occasion AUC value of 0.91 and correlation coefficient of 0.93. Anemia was reflected through the concentration of parameters of erythrocytes, hematocrit, hemoglobin, MCV, MCHC, MCV, serum iron levels, and on that occasion the average AUC value was higher than 0.9, while the correlation regression coefficient was also higher than 0.9. Uremia was reflected through the concentration of creatinine, urea and uric acid and on that occasion the average AUC value of all parameters was higher than 0.85 while the correlation coefficient had an average value for all parameters of 0.91. NIR data contains a huge amount of information, usually of very high dimension, which lends itself to the successful implementation of machine learning methods. Machine learning is a set of methods that can automatically detect patterns in data, and then use the detected patterns to make predictions on future data relevant to the hemodialysis process