Vurdering af AI -forudsigelsesmodeller i forudsigelse af akut nyreskade hos kritiske patienter

Akut nyreskade (AKI) er den mest alvorlige, almindelige og livstruende komplikation hos indlagte patienter og er forbundet med høj sygelighed og dødelighed [1]. Det er påvist, at AKI påvirker ca. 30-60% af kritisk syge patienter, især dem i intensivafdelingen (ICU) [1]. På trods af de nylige fremskridt inden for klinisk pleje og dialyseteknologi har forekomsten af ​​AKI hos ICU-patienter en dødelighed på op til 50%, hvilket er 1,5 til 2 gange til den hos ICU-patienter uden AKI [2, 3]. Hvis det blev detekteret og styret hurtigt, kan interventioner styret af etablerede anbefalinger, såsom dem, der leveres af Kdigo, imidlertid afbøde risikoen for yderligere forringelse af AKI -patienter [4]. Derfor er det afgørende at identificere individer med høj risiko for AKI afgørende for at håndtere kritisk syge patienter.

Kunstig intelligens (AI) og maskinlæring (ML) repræsenterer nye teknologier, der kunne bruge store mængder sundhedsrelaterede data til at hjælpe læger med at træffe bedre kliniske beslutninger og forbedre individuelle sundhedsresultater. Mens serumkreatinin (SCR) og urinudgang tjener som diagnostiske kriterier for AKI, kan der forekomme forsinkelser i deres detektion. Derfor er tidlig identifikation af patienter, der risikerer at udvikle AKI, afgørende for at skabe et vindue til forebyggende interventioner og mindske risikoen for yderligere forringelse. Flere tidligere undersøgelser har udviklet forskellige ML-baserede modeller til at forudsige AKI hos kritisk syge patienter på grund af de potentielle fordele ved tidlig påvisning af AKI [5, 6]. Det er kritisk at fjerne mysteriet omkring ML, da det gør det enklere for læger at forstå begrundelsen bag ML [7]. For at forklare, hvorfor ML træffer de valg, det gør, er der kommet et nyt felt kaldet forklarbar AI (XAI). To af de mest populære metoder til forklaring er lokal fortolkbar model-agnostisk forklaring (kalk) og Shapley Additiv forklaring (form) [8, 9]. Novelle fortolkbare tilgange er effektivt blevet anvendt til at forklare ML -modeller til forebyggelse af hypoxæmi under operationen [10], forudsige dødelighed i sepsis og AKI [9, 11], forudsige forekomsten af ​​AKI efter hjerteoperation [12] og forudsige antibiotikaresistens [13].

Så vidt vi ved, er pålideligheden og robustheden af ​​forklarende teknikker til påvisning af AKI hos kritisk syge patienter sjældent blevet undersøgt. Derfor blev den nuværende undersøgelse udført for at konstruere en ML -tilgang til den tidlige forudsigelse af AKI hos ICU -patienter og til at anvende XAI'er for at gøre ML mere gennemsigtig og fortolkbar.