Evaluación de los modelos de predicción de IA en la predicción de lesiones renales agudas en pacientes críticos

La lesión renal aguda (AKI) es la complicación más grave, común y potencialmente mortal en pacientes hospitalizados y se asocia con altas tasas de morbilidad y mortalidad [1]. Se ha demostrado que AKI afecta a aproximadamente el 30-60% de los pacientes críticos, especialmente aquellos en la unidad de cuidados intensivos (UCI) [1]. A pesar de los recientes avances en la atención clínica y la tecnología de diálisis, la aparición de AKI en pacientes con UCI tiene una tasa de mortalidad de hasta el 50%, que es de 1.5 a 2 veces a los pacientes de la UCI sin AKI [2, 3]. Sin embargo, si se detectan y manejan de inmediato, las intervenciones guiadas por recomendaciones establecidas, como las proporcionadas por KDIGO, pueden mitigar el riesgo de un mayor deterioro en pacientes con IA [4]. Por lo tanto, identificar a las personas con alto riesgo de AKI es vital para manejar pacientes críticos.

La inteligencia artificial (IA) y el aprendizaje automático (ML) representan tecnologías emergentes que podrían usar grandes cantidades de datos relacionados con la salud para ayudar a los médicos a tomar mejores decisiones clínicas y mejorar los resultados de la salud individuales. Mientras que la creatinina sérica (SCR) y la producción de orina sirven como criterios de diagnóstico para AKI, pueden ocurrir retrasos en su detección. Por lo tanto, la identificación temprana de pacientes en riesgo de desarrollar AKI es crucial para crear una ventana para intervenciones preventivas y mitigar el riesgo de un mayor deterioro. Varios estudios anteriores han desarrollado varios modelos basados ​​en ML para predecir AKI en pacientes críticos debido a los beneficios potenciales de la detección temprana de AKI [5, 6]. Es fundamental eliminar el misterio que rodea a ML ya que hacerlo hace que sea más simple para los médicos comprender el razonamiento detrás de ML [7]. Para explicar por qué ML toma las decisiones que hace, ha surgido un nuevo campo llamado Explicable AI (XAI). Dos de los métodos más populares para explicar son la explicación del modelo-agnóstico del modelo interpretable local (LIME) y la explicación aditiva de Shapley (SHAP) [8, 9]. Se han utilizado de manera efectiva enfoques interpretables para explicar los modelos ML para prevenir la hipoxemia durante la cirugía [10], predecir la mortalidad en la sepsis y la AKI [9, 11], predecir la aparición de AKI después de la cirugía cardíaca [12] y predecir la resistencia a los antibióticos [13].

Hasta donde sabemos, la confiabilidad y robustez de las técnicas explicativas para detectar AKI en pacientes críticamente enfermos rara vez se han estudiado. Por lo tanto, el presente estudio se realizó para construir un enfoque ML para la predicción temprana de AKI en pacientes con UCI y para aplicar XAIS para hacer que ML sea más transparente e interpretable.