Bewertung von AI -Vorhersagemodellen bei der Vorhersage einer akuten Nierenverletzung bei kritischen Patienten

Akute Nierenverletzung (AKI) ist die schwerwiegendste, häufigere und lebensbedrohlichste Komplikation bei Krankenhauspatienten und mit hoher Morbiditäts- und Mortalitätsraten verbunden [1]. Es wurde gezeigt, dass AKI ungefähr 30-60% der kritisch kranken Patienten betrifft, insbesondere Patienten in der Intensivstation (ICU) [1]. Trotz der jüngsten Fortschritte in der klinischen Versorgung und der Dialyse-Technologie hat das Auftreten von AKI bei ICU-Patienten eine Sterblichkeitsrate von bis zu 50%, was 1,5 bis 2-fach von der von Intensivpatienten ohne AKI beträgt [2, 3]. Wenn jedoch umgehend festgestellt und verwaltet werden, können Interventionen, die von festgelegten Empfehlungen geleitet werden, wie z. Daher ist die Identifizierung von Personen mit hohem AKI -Risiko von entscheidender Bedeutung für die Behandlung von kritisch kranken Patienten.

Künstliche Intelligenz (KI) und maschinelles Lernen (ML) repräsentieren aufkommende Technologien, die große Mengen an gesundheitsbezogenen Daten verwenden könnten, um Ärzten zu helfen, bessere klinische Entscheidungen zu treffen und die individuellen Gesundheitsergebnisse zu verbessern. Während Serumkreatinin (SCR) und der Urinausgang als diagnostische Kriterien für AKI dienen, können Verzögerungen bei ihrer Erkennung auftreten. Daher ist eine frühzeitige Identifizierung von Patienten, bei denen das Risiko einer AKI besteht, entscheidend, um ein Fenster für vorbeugende Eingriffe zu erzeugen und das Risiko einer weiteren Verschlechterung zu mildern. Mehrere frühere Studien haben verschiedene ML-basierte Modelle entwickelt, um AKI bei kritisch kranken Patienten aufgrund der potenziellen Vorteile der Früherkennung von AKI vorherzusagen [5, 6]. Es ist wichtig, das Geheimnis um ML zu entfernen, da es den Ärzten einfacher macht, die Argumentation hinter ML zu verstehen [7]. Um zu erklären, warum ML die Entscheidungen trifft, ist ein neues Feld namens Aklable AI (XAI) entstanden. Zwei der beliebtesten Methoden zur Erklärung sind lokal interpretierbare Modell-Agnostic-Erklärungen (Kalk) und Shapley Additive Erklärung (SHOP) [8, 9]. Neue interpretierbare Ansätze wurden effektiv verwendet, um ML -Modelle zur Vorbeugung von Hypoxämie während der Operation zu erklären [10], die Mortalität bei Sepsis und AKI [9, 11], das Auftreten von AKI nach einer Herzoperation [12] und die Vorhersage des Antibiotika -Widerstands [13] vorherzusagen.

Nach unserem Kenntnisstand wurden die Zuverlässigkeit und Robustheit von erklärenden Techniken zur Erkennung von AKI bei kritisch kranken Patienten selten untersucht. Daher wurde die vorliegende Studie durchgeführt, um einen ML -Ansatz für die frühe Vorhersage von AKI bei ICU -Patienten zu konstruieren und Xais anzuwenden, um ML transparenter und interpretierbarer zu gestalten.