Koneoppimis- ja tekoälyalgoritmit akuutin dialyysin suorituskyvyn ja toteutuksen optimoimiseksi (SMART DIALYSIS)

Tutkimuksen tausta ja perustelu:

Noin 10–15 prosentille tehohoidon yksiköihin (ICU) otetuista potilaista tarvitaan akuuttia dialyysiä. Akuutti dialyysi voi olla jatkuvaa munuaisten korvaushoitoa (CRRT), ajoittaista hemodialyysiä (IHD) tai hitaan tehokkuuden dialyysiä (SLED). Maailmanlaajuisesti CRRT on edelleen vallitseva akuutin dialyysin muoto, sillä yli 75 prosenttia akuutista dialyysistä on CRRT:ää.

Akuutin dialyysin käyttö tehohoidossa liittyy heikkoihin potilastuloksiin. Huolimatta lääketieteellisen teknologian ja hoidon kehityksestä kuolleisuus pysyy 40–60 prosentin välillä, mikä vastaa vaikean akuutin hengityskatastrofi-oireyhtymän (ARDS) havaittuja tuloksia. Lisäksi jopa silloin, kun potilaat selviävät kriittisestä sairaudestaan, jopa 10 prosenttia potilaista tarvitsee jatkuvaa pitkäaikaista kroonista dialyysihoidon. Tällä on merkittävä vaikutus kriittisen sairauden selviytyjien elämänlaatuun sekä tärkeitä vaikutuksia heidän perheilleen, mikä usein edellyttää muutoksia työssä ja asumisessa sekä muuttoa lähemmäs dialyysikeskuksia. Tämä johtaa paitsi merkittäviin terveydenhuollon ja sosiaalisiin kustannuksiin (noin 100 000 dollaria/potilas/vuosi Albertassa, Kanadassa), myös erittäin tärkeisiin terveyteen liittyvän elämänlaadun heikkenemisiin näille potilaille. Tällä hetkellä, vaikka todisteita on olemassa akuutin dialyysin optimaalisesta aloittamisesta, todisteita siitä, miten ennustaa hoitomuodon vaihdon tai hoidosta vapautumisen ajoitusta, on vähän. Käyttämällä täysin integroitua elektronista kliinistä tietojärjestelmää (eCIS), kuten Connect Care (EPIC, Wisconsin, USA) Albertassa, voimme kehittää ennustavia algoritmeja, jotka voivat ennakoida potilaan ja akuutin dialyysin tarpeita.

Kun akuutti dialyysi on aloitettu, useat tekijät voivat vaikuttaa munuaisten toipumiseen akuutin dialyysin jälkeen. Dialyysin aikainen hypotensio on tunnistettu johtavaksi muokattavaksi tekijäksi, mutta valitettavasti sellainen, jota emme pysty tarkasti ennustamaan. Tämä on tärkeä tietoaukko, joka on ratkaistava. Se on myös aiemmin tunnistettu tutkimusryhmämme toimesta yhdeksi tärkeimmistä keskeisistä suorituskykyindikaattoreista (KPI) akuutille dialyysille, erityisesti IHD:ssä ja SLED:ssä. CRRT:lle suodattimen käyttöikä on tunnistettu tärkeimmäksi ja tutkituimmaksi KPI:ksi. Molempia näitä KPI:ta käytetään tällä hetkellä käynnissä olevissa QUALITY CRRT- ja DIALYZING WISELY -ohjelmissa parantamaan akuutin dialyysin suorituskykyä ja antamista kriittisesti sairaille potilaille. Nämä kaksi ohjelmaa on toteutettu onnistuneesti Albertassa ja ne ovat luoneet tarvittavan infrastruktuurin aloittaakseksi seuraavat vaiheet näissä Akuutin dialyysin jatkuvan laadun parantamisen aloitteissa, SMART DIALYSIS -ohjelmassa.

Viime aikoina tietokone- ja koneenkäsittelyn edistys on johtanut neljänteen teolliseen vallankumoukseen, jossa kehitetään älykkäitä koneita, laitteita ja oppivia algoritmeja, jotka voivat auttaa ihmisiä potilaiden hoidossa ja optimoida terveydenhuollon antamista. Koneoppimista (ML) ja tekoälyä (AI) käyttäviä algoritmeja on aiemmin käytetty lääketieteessä, mutta niiden toteuttaminen kriittisen hoidon nefrologiaan on vasta alkanut.

Nykyiset aloitteet keskittyvät ensisijaisesti kuvioiden tunnistamiseen ja riskien ennustamiseen. Tämä ohjelma sisältää 4 erillistä vaihetta.

Vaiheessa 1 jatkamme työtä QUALITY CRRT- ja DIALYZING WISELY -ohjelmistamme ja pyrimme ymmärtämään paremmin päätöksiä ympäröivää maisemaa akuuttien dialyysimuotojen välisissä siirtymissä, hoidon lopettamisessa ja yrityksissä vapautua akuutista dialyysistä, dialyysin aikaisen hypotension esiintyvyyttä ja suodattimen hyytymisen ajoitusta tehohoidossa.

Vaiheessa 2 kehitämme malleja ja myöhempiä kliinisiä päätöksentuen (CDS) työkaluja ja/tai parhaan käytännön neuvoja (BPA) kliinikoille ennustamaan ja hallitsemaan paremmin 1) siirtymiä akuuttien dialyysihoidon välillä, 2) dialyysin aikaisen hypotension hallintaa, 3) suodattimen käyttöiän ennustamista ja 4) vapautumista akuutista dialyysistä. Samanaikaisesti tämän työn kanssa työskentelemme kehittääksemme tekoälyä/koneoppimista hyödyntävän akuutin dialyysin kojelaudan (eli SMART DIALYSIS Digital Dashboard), joka on upotettu elektroniseen kliiniseen tietojärjestelmäämme (eCIS), esittämään nämä KPI:t kliinikoille.

Vaiheessa 3 tarkastellaan näiden ML/AI-algoritmien toteuttamista ja arvioidaan niiden suorituskykyä ja hyväksyttävyyttä kliinisessä käytännössä.

Lopuksi vaiheessa 4 otamme Albertasta saadut tulokset ja pyrimme toteuttamaan ja vertailemaan niitä muissa suurissa terveydenhuollon viranomaisissa varmistaaksemme, että algoritmit on kehitetty ja validoitu asianmukaisesti ja eettisesti. Näihin kuuluvat kumppanit ympäri Kanadaa, Yhdysvaltoja, Eurooppaa sekä Australiaa ja Uutta-Seelantia.