Maskinlæring og kunstig intelligens algoritmer til at optimere ydeevnen og leveringen af akut dialyse (SMART DIALYSIS)

Studiebaggrund og begrundelse:

Akut dialyse er nødvendig hos cirka 10-15% af alle patienter indlagt på intensivafdelinger (ICU). Akut dialyse kan foretages som kontinuerlig nyreerstatningsterapi (CRRT), intermitterende hemodialyse (IHD) eller langsom-lav effekt dialyse (SLED). På verdensplan er CRRT fortsat den dominerende form for akut dialyse, hvor over 75% af al akut dialyse er CRRT.

Anvendelsen af akut dialyse på ICU er forbundet med dårlige patientresultater. På trods af fremskridt inden for medicinsk teknologi og pleje forbliver dødeligheden mellem 40-60%, hvilket ligner resultaterne observeret ved svær akut respiratorisk distress-syndrom (ARDS). Derudover kræver op til 10% af patienterne fortsat langvarig kronisk dialyseterapi, selv når de overlever deres kritiske sygdom. Dette har en betydelig effekt på overlevendes livskvalitet efter kritisk sygdom, samt vigtige konsekvenser for deres familier, der ofte kræver ændringer i arbejde og boligforhold samt flytning til steder tættere på dialysecentre. Dette resulterer ikke kun i betydelige sundheds- og samfundsmæssige omkostninger (cirka $100.000/patient/år i Alberta, Canada), men også meget vigtige reduktioner i den sundhedsrelaterede livskvalitet for disse patienter. I øjeblikket, mens der findes evidens om den optimale indledning af akut dialyse, er der mangel på evidens til at forudsige timingen af modalitetsovergang eller frigørelse fra denne terapi. Ved at bruge et fuldt integreret elektronisk klinisk informationssystem (eCIS) som Connect Care (EPIC, Wisconsin, USA) i Alberta kan vi udvikle prædiktive algoritmer, der kan forudse patientens og akut dialyses behov.

Når akut dialyse er indledt, kan flere faktorer påvirke nyregenopretning efter akut dialyse. Intra-dialytisk hypotension er blevet identificeret som en førende modificerbar faktor, men desværre en, hvor vi har begrænset kapacitet til præcist at forudsige. Dette er et vigtigt videnshul, der må adresseres. Det er også tidligere identificeret af vores studiegruppe som en af de vigtigste nøgleydeevneindikatorer (KPI) for akut dialyse, især ved IHD og SLED. For CRRT er filterlevetid identificeret som den vigtigste og mest studerede KPI. Begge disse KPI'er anvendes i øjeblikket af de igangværende QUALITY CRRT og DIALYZING WISELY programmer for at forbedre ydeevnen og leveringen af akut dialyse til kritisk syge patienter. Disse to programmer er med succes implementeret i hele Alberta og har etableret den nødvendige infrastruktur til at indlede de næste skridt i disse Kontinuerlige Kvalitetsinitiativer for akut dialyse, SMART DIALYSIS programmet.

For nylig har fremskridt inden for computer- og maskinbehandling ført til den 4. industrielle revolution med udviklingen af smarte maskiner, enheder og læringsalgoritmer, der kan hjælpe mennesker med patienthåndtering og optimere sundhedsplejen. Maskinlæring (ML) og kunstig intelligens (AI) algoritmer er tidligere blevet brugt i medicinen, men er kun lige begyndt deres implementering i intensiv nefrologi.

Nuværende initiativer er primært fokuseret på mønstergenkendelse og risikoprædiktion. Dette program vil indeholde 4 forskellige faser.

I Fase 1 vil vi fortsætte arbejdet fra vores QUALITY CRRT og DIALYZING WISELY program og sigte mod bedre at forstå landskabet omkring beslutninger om overgange mellem akut dialysemodaliteter, afslutning og forsøg på frigørelse fra akut dialyse, forekomsten af intra-dialytisk hypotension og timingen af filterkoagulering på ICU.

I Fase 2 vil vi udvikle modeller og efterfølgende Klinisk Beslutningsstøtte (CDS) værktøjer og/eller Bedste Praksis Rådgivninger (BPA) for klinikere til bedre at forudsige og håndtere 1) overgange mellem akut dialyseterapier, 2) håndtering af intra-dialytisk hypotension, 3) forudsigelse af filterlevetid og 4) frigørelse fra akut dialyse. Samtidig med dette arbejde vil vi arbejde på at udvikle en AI/ML-forstærket Akut Dialyse Dashboard (dvs. SMART DIALYSIS Digital Dashboard) integreret i vores elektroniske kliniske informationssystem (eCIS) for at præsentere disse KPI'er for klinikere.

Fase 3 vil undersøge implementering og evaluering af ydeevnen og acceptabiliteten af disse ML/AI algoritmer i klinisk praksis.

Endelig vil Fase 4 tage vores Alberta-afledte resultater og arbejde på at implementere og benchmarke disse på tværs af andre store sundhedsmyndigheder for at sikre, at algoritmerne er udviklet og valideret korrekt og etisk. Dette vil inkludere partnere i hele Canada, USA, Europa og Australien og New Zealand.