Maschinelles Lernen und künstliche Intelligenz Algorithmen zur Optimierung der Leistung und Bereitstellung von akuter Dialyse (SMART DIALYSIS)

Studienhintergrund & Begründung:

Eine akute Dialyse ist bei etwa 10-15% aller Patienten erforderlich, die auf Intensivstationen (ITS) aufgenommen werden. Eine akute Dialyse kann in Form einer kontinuierlichen Nierenersatztherapie (KNET), einer intermittierenden Hämodialyse (IHD) oder einer Slow-Low Efficiency Dialyse (SLED) erfolgen. Weltweit bleibt KNET die vorherrschende Form der akuten Dialyse, wobei über 75% der akuten Dialysen KNET sind.

Der Einsatz der akuten Dialyse auf der ITS ist mit schlechten Behandlungsergebnissen verbunden. Trotz Fortschritten in der Medizintechnik und -versorgung bleibt die Sterblichkeit bei 40-60%, ähnlich den Ergebnissen bei schwerem akuten Atemnotsyndrom (ARDS). Darüber hinaus benötigen bis zu 10% der Patienten, selbst wenn sie ihre kritische Erkrankung überleben, eine fortlaufende langfristige chronische Dialysetherapie. Dies hat erhebliche Auswirkungen auf die Lebensqualität der Überlebenden kritischer Erkrankungen sowie wichtige Auswirkungen auf ihre Familien, die oft Änderungen in Arbeits- und Wohnsituation erfordern, ebenso wie einen Umzug an Orte in näherer Nähe zu Dialysezentren. Dies führt nicht nur zu erheblichen Gesundheits- und Sozialkosten (ca. 100.000 $/Patient/Jahr in Alberta, Kanada), sondern auch zu sehr bedeutenden Verringerungen der gesundheitsbezogenen Lebensqualität dieser Patienten. Derzeit gibt es zwar Evidenz bezüglich des optimalen Beginns einer akuten Dialyse, aber es mangelt an Evidenz, um den Zeitpunkt des Modalitätswechsels oder der Befreiung von dieser Therapie vorherzusagen. Mithilfe eines vollständig integrierten elektronischen klinischen Informationssystems (eKIS) wie Connect Care (EPIC, Wisconsin, USA) in Alberta können wir prädiktive Algorithmen entwickeln, die den Bedarf der Patienten und die akute Dialyse antizipieren können.

Sobald eine akute Dialyse eingeleitet wird, können mehrere Faktoren die Nierenerholung nach der akuten Dialyse beeinflussen. Intradialytische Hypotonie wurde als führender modifizierbarer Faktor identifiziert, leider jedoch einer, bei dem unsere Fähigkeit zur genauen Vorhersage begrenzt ist. Dies ist eine wichtige Wissenslücke, die angegangen werden muss. Sie wurde bereits zuvor von unserem Studienteam als einer der wichtigsten Key Performance Indicators (KPI) für die akute Dialyse identifiziert, insbesondere bei IHD und SLED. Für KNET wurde die Filterlebensdauer als der wichtigste und am meisten untersuchte KPI identifiziert. Beide KPIs werden derzeit von den laufenden QUALITY CRRT- und DIALYZING WISELY-Programmen genutzt, um die Leistung und Durchführung der akuten Dialyse für kritisch kranke Patienten zu verbessern. Diese beiden Programme wurden erfolgreich in ganz Alberta implementiert und haben die notwendige Infrastruktur etabliert, um die nächsten Schritte in diesen kontinuierlichen Qualitätsinitiativen für die akute Dialyse, das SMART DIALYSIS-Programm, einzuleiten.

Kürzlich haben Fortschritte in der Computer- und Maschinenverarbeitung zur 4. industriellen Revolution geführt, die durch die Entwicklung intelligenter Maschinen, Geräte und Lernalgorithmen gekennzeichnet ist, die Menschen bei der Patientenversorgung unterstützen und die Gesundheitsversorgung optimieren können. Machine Learning (ML)- und Künstliche Intelligenz (KI)-Algorithmen wurden bereits zuvor in der Medizin eingesetzt, haben aber erst begonnen, in die Intensivmedizin-Nephrologie implementiert zu werden.

Aktuelle Initiativen konzentrieren sich hauptsächlich auf Mustererkennung und Risikovorhersage. Dieses Programm wird 4 verschiedene Phasen umfassen.

In Phase 1 werden wir die Arbeit aus unseren QUALITY CRRT- und DIALYZING WISELY-Programmen fortsetzen und darauf abzielen, das Umfeld rund um Entscheidungen über Wechsel zwischen akuten Dialysemodalitäten, Beendigung und Befreiungsversuche von der akuten Dialyse, die Inzidenz intradialytischer Hypotonie und den Zeitpunkt der Filtergerinnung auf der ITS besser zu verstehen.

In Phase 2 werden wir Modelle und anschließende Clinical Decision Support (CDS)-Tools und/oder Best Practice Advisories (BPAs) für Kliniker entwickeln, um 1) Wechsel zwischen akuten Dialysetherapien, 2) Management der intradialytischen Hypotonie, 3) Vorhersage der Filterlebensdauer und 4) Befreiung von der akuten Dialyse besser vorherzusagen und zu managen. Parallel zu dieser Arbeit werden wir daran arbeiten, ein KI/ML-augmentiertes Akutdialyse-Dashboard (d.h. SMART DIALYSIS Digital Dashboard) zu entwickeln, das in unser elektronisches klinisches Informationssystem (eKIS) eingebettet ist, um diese KPIs Klinikern zu präsentieren.

Phase 3 wird sich mit der Implementierung und Bewertung der Leistung und Akzeptanz dieser ML/KI-Algorithmen in der klinischen Praxis befassen.

Schließlich wird Phase 4 unsere aus Alberta stammenden Ergebnisse nutzen und darauf abzielen, diese in anderen großen Gesundheitsbehörden zu implementieren und zu benchmarken, um sicherzustellen, dass die Algorithmen angemessen und ethisch entwickelt und validiert wurden. Dazu gehören Partner in ganz Kanada, den USA, Europa sowie Australien und Neuseeland.