Algoritmy strojového učení a umělé inteligence pro optimalizaci výkonu a poskytování akutní dialýzy (SMART DIALYSIS)

Studijní pozadí a zdůvodnění:

Akutní dialýza je nutná přibližně u 10-15 % všech pacientů přijatých na jednotky intenzivní péče (JIP). Akutní dialýza může mít formu kontinuální renální substituční terapie (CRRT), intermitentní hemodialýzy (IHD) nebo pomalé nízkoeffektivní dialýzy (SLED). Celosvětově zůstává CRRT převažující formou akutní dialýzy, přičemž více než 75 % akutní dialýzy tvoří CRRT.

Aplikace akutní dialýzy na JIP je spojena se špatnými výsledky pacientů. Navzdory pokrokům v lékařské technologii a péči zůstává mortalita mezi 40-60 %, což je podobné výsledkům pozorovaným u těžkého akutního respiračního distress syndromu (ARDS). Navíc, i když pacienti přežijí své kritické onemocnění, až 10 % pacientů vyžaduje pokračující dlouhodobou chronickou dialyzační terapii. To má významný dopad na kvalitu života přeživších kritického onemocnění, stejně jako důležité důsledky pro jejich rodiny, často vyžadující změny v pracovním a bytovém statusu, stejně jako přestěhování na místa blíže k dialyzačním centrům. To vede nejen k významným zdravotním a sociálním nákladům (přibližně 100 000 USD/pacient/rok v Albertě, Kanada), ale také k velmi důležitému snížení zdravotně související kvality života těchto pacientů. V současné době, zatímco existují důkazy týkající se optimálního zahájení akutní dialýzy, je nedostatek důkazů k předpovědi načasování přechodu mezi modalitami nebo osvobození od této terapie. Použitím plně integrovaného elektronického klinického informačního systému (eCIS), jako je Connect Care (EPIC, Wisconsin, USA) v Albertě, můžeme vyvinout prediktivní algoritmy, které mohou předvídat potřeby pacientů a akutní dialýzy.

Jakmile je akutní dialýza zahájena, několik faktorů může ovlivnit obnovu ledvin po akutní dialýze. Intradialyzační hypotenze byla identifikována jako hlavní modifikovatelný faktor, ale bohužel takový, u kterého máme omezenou schopnost přesně předpovídat. To je důležitá mezera ve znalostech, kterou je třeba řešit. Naše studijní tým to také dříve identifikoval jako jeden z nejdůležitějších klíčových ukazatelů výkonnosti (KPI) pro akutní dialýzu, zejména u IHD a SLED. Pro CRRT byl život filtru identifikován jako nejdůležitější a nejstudovanější KPI. Oba tyto KPI jsou v současné době využívány probíhajícími programy QUALITY CRRT a DIALYZING WISELY ke zlepšení výkonnosti a poskytování akutní dialýzy kriticky nemocným pacientům. Tyto dva programy byly úspěšně implementovány v celé Albertě a vytvořily infrastrukturu nezbytnou k zahájení dalších kroků v těchto kontinuálních iniciativách kvality pro akutní dialýzu, programu SMART DIALYSIS.

Nedávno pokroky v počítačovém a strojovém zpracování vedly k 4. průmyslové revoluci, která se vyznačuje vývojem chytrých strojů, zařízení a učících se algoritmů, které mohou pomáhat lidem v řízení pacientů a optimalizaci poskytování zdravotní péče. Algoritmy strojového učení (ML) a umělé inteligence (AI) byly dříve používány v medicíně, ale teprve začaly být implementovány do intenzivní nefrologické péče.

Současné iniciativy se primárně zaměřují na rozpoznávání vzorů a predikci rizik. Tento program bude obsahovat 4 odlišné fáze.

Ve fázi 1 budeme pokračovat v práci z našich programů QUALITY CRRT a DIALYZING WISELY a budeme usilovat o lepší pochopení situace kolem rozhodnutí o přechodech mezi modalitami akutní dialýzy, ukončení a pokusech o osvobození od akutní dialýzy, incidence intradialyzační hypotenze a načasování srážení filtrů na JIP.

Ve fázi 2 vyvineme modely a následné nástroje klinické rozhodovací podpory (CDS) a/nebo doporučení osvědčených postupů (BPA) pro kliniky, aby lépe předpovídali a řídili 1) přechody mezi akutními dialyzačními terapiemi, 2) řízení intradialyzační hypotenze, 3) predikci životnosti filtru a 4) osvobození od akutní dialýzy. Souběžně s touto prací budeme pracovat na vývoji řídicího panelu akutní dialýzy rozšířeného o AI/ML (tj. SMART DIALYSIS Digital Dashboard) integrovaného do našeho elektronického klinického informačního systému (eCIS), aby tyto KPI prezentoval klinikům.

Fáze 3 se bude zabývat implementací a hodnocením výkonnosti a přijatelnosti těchto ML/AI algoritmů v klinické praxi.

Nakonec fáze 4 vezme naše výsledky odvozené z Alberty a bude usilovat o implementaci a srovnávání těchto výsledků napříč dalšími velkými zdravotnickými autoritami, aby bylo zajištěno, že algoritmy byly vyvinuty a validovány vhodně a eticky. To bude zahrnovat partnery napříč Kanadou, USA, Evropou a Austrálií a Novým Zélandem.