AI

Akuutti munuaisvaurio (AKI) on vakavin, yleisin ja hengenvaarallinen komplikaatio sairaalahoidossa olevilla potilailla, ja siihen liittyy korkea sairastuvuus ja kuolleisuus [1]. On osoitettu, että AKI vaikuttaa noin 30–60%: iin kriittisesti sairaista potilaista, etenkin tehohoitoyksikön (ICU) potilaista [1]. Huolimatta äskettäisestä kliinisen hoidon ja dialyysitekniikan edistyksestä, AKI: n esiintymisen ICU-potilailla on jopa 50%, mikä on 1,5-2-kertainen ICU-potilailla, joilla ei ole AKI: tä [2, 3]. Kuitenkin, jos ne havaitaan ja hallitaan nopeasti, interventiot, joita ohjaavat vahvistetut suositukset, kuten Kdigo, voivat lieventää AKI -potilaiden vähentymisen riskiä [4]. Siksi henkilöiden tunnistaminen, joilla on suuri AKI -riski, on elintärkeää kriittisesti sairaiden potilaiden hallinnassa.

Keinotekoinen älykkyys (AI) ja koneoppiminen (ML) edustavat nousevia tekniikoita, joissa voitaisiin käyttää suuria määriä terveyteen liittyviä tietoja auttaakseen lääkäreitä tekemään parempia kliinisiä päätöksiä ja parantamaan yksilöllisiä terveysvaikutuksia. Vaikka seerumin kreatiniini (SCR) ja virtsanlähtö toimivat AKI: n diagnostisina kriteereinä, niiden havaitsemisen viiveitä voi tapahtua. Siksi AKI: n kehittymisen riskipotilaiden varhainen tunnistaminen on ratkaisevan tärkeää ikkunan luomiseksi ennaltaehkäiseville toimenpiteille ja vähentymisen riskin lieventämiseksi. Useat aiemmat tutkimukset ovat kehittäneet erilaisia ​​ML-pohjaisia ​​malleja AKI: n ennustamiseksi kriittisesti sairailla potilailla AKI: n varhaisen havaitsemisen mahdollisten hyötyjen vuoksi [5, 6]. ML: n ympäröivä mysteeri on kriittistä, koska sen tekeminen tekee lääkäreiden yksinkertaisemmaksi ymmärtää ML: n perusteluja [7]. Selittääksesi miksi ML tekee valinnat, se on syntynyt uusi Selitys AI (XAI) -niminen kenttä. Kaksi suosituinta selitysmenetelmää ovat paikalliset tulkittavissa olevat malli-agnostiset selitykset (kalkki) ja Shapley-lisäaineen selitys (SHAP) [8, 9]. Uutta tulkittavissa olevia lähestymistapoja on käytetty tehokkaasti selittämään ML -malleja hypoksemian estämiseksi leikkauksen aikana [10], ennustamalla sepsiksen ja AKI: n kuolleisuutta [9, 11], ennustamalla AKI: n esiintymistä sydämen leikkauksen jälkeen [12] ja antibioottiresistenssin ennustaminen [13].

Tietojemme mukaan on tutkittu harvoin selittävien tekniikoiden luotettavuutta ja kestävyyttä AKI: n havaitsemiseksi kriittisesti sairailla potilailla. Siksi tämä tutkimus suoritettiin ML -lähestymistavan rakentamiseksi AKI: n varhaiseen ennustamiseen ICU -potilailla ja käyttää XAI: ita ML: n avoimemman ja tulkittavissa olevien.