Hodnocení modelů predikce AI v predikci akutního poškození ledvin u kritických pacientů

Akutní poškození ledvin (AKI) je u hospitalizovaných pacientů nejzávažnější, běžnější a život ohrožující komplikace a je spojena s vysokou morbiditou a úmrtností [1]. Bylo prokázáno, že AKI postihuje přibližně 30-60% kriticky nemocných pacientů, zejména pacientů v jednotce intenzivní péče (ICU) [1]. Přes nedávný pokrok v technologii klinické péče a dialyzační technologie má výskyt AKI u pacientů s ICU úmrtnost až 50%, což je 1,5 až dvojnásobně než u pacientů s ICU bez AKI [2, 3]. Pokud jsou však detekovány a zvládnuty rychle, zásahy vedené zavedenými doporučeními, jako jsou intervence, jako jsou intervence, které poskytly KDIGO, mohou zmírnit riziko dalšího zhoršení u pacientů s AKI [4]. Proto je identifikace jedinců s vysokým rizikem AKI zásadní pro řízení kriticky nemocných pacientů.

Umělá inteligence (AI) a strojové učení (ML) představují vznikající technologie, které by mohly použít velké množství zdravotních údajů, aby pomohly lékařům přijímat lepší klinická rozhodnutí a zlepšit individuální zdravotní výsledky. Zatímco sérový kreatinin (SCR) a výstup moči slouží jako diagnostická kritéria pro AKI, může dojít ke zpoždění v jejich detekci. Proto je včasná identifikace pacientů s rizikem vzniku AKI zásadní pro vytvoření okna pro preventivní intervence a zmírnění rizika dalšího zhoršení. Několik předchozích studií vyvinulo různé modely založené na ML pro predikci AKI u kriticky nemocných pacientů kvůli potenciálním přínosům včasné detekce AKI [5, 6]. Je důležité odstranit tajemství obklopující ML, protože to pro lékaře usnadňuje pochopení zdůvodnění ML [7]. Abychom vysvětlili, proč ML dělá rozhodnutí, že se vyskytuje, objevilo se nové pole s názvem vysvětlitelné AI (XAI). Dvě z nejpopulárnějších metod pro vysvětlení jsou místní interpretovatelné vysvětlení modelu-agnostic (vápno) a aditivní vysvětlení Shapley (Shap) [8, 9]. Nové interpretovatelné přístupy byly účinně využívány k vysvětlení ML modelů pro prevenci hypoxémie během chirurgického zákroku [10], předpovídání úmrtnosti v sepse a AKI [9, 11], což předpovídá výskyt AKI po srdeční chirurgii [12] a předpovídání antibiotické rezistence [13].

Podle našich nejlepších znalostí byla spolehlivost a robustnost vysvětlujících technik pro detekci AKI u kriticky nemocných pacientů jen zřídka studována. Proto byla tato studie provedena za účelem vytvoření ML přístup pro časnou predikci AKI u pacientů s ICU a k použití XAI, aby byla ML transparentnější a interpretovanější.