Évaluation des modèles de prédiction de l'IA dans la prédiction des lésions rénales aiguës chez les patients critiques

La lésion rénale aiguë (AKI) est la complication la plus sévère, courante et mortelle chez les patients hospitalisés et est associé à des taux de morbidité et de mortalité élevés [1]. Il a été démontré que l'AKI affecte environ 30 à 60% des patients gravement malades, en particulier ceux de l'unité de soins intensifs (USI) [1]. Malgré les progrès récents des soins cliniques et de la technologie de dialyse, la survenue d'AKI chez les patients en USI a un taux de mortalité allant jusqu'à 50%, ce qui est de 1,5 à 2 fois à celui des patients USI sans AKI [2, 3]. Cependant, s'ils sont détectés et gérés rapidement, les interventions guidées par des recommandations établies, telles que celles fournies par KDIGO, peuvent atténuer le risque de détérioration supplémentaire chez les patients AKI [4]. Par conséquent, l'identification des individus à haut risque d'AKI est vitale pour gérer les patients gravement malades.

L'intelligence artificielle (IA) et l'apprentissage automatique (ML) représentent des technologies émergentes qui pourraient utiliser de grandes quantités de données liées à la santé pour aider les médecins à prendre de meilleures décisions cliniques et à améliorer les résultats individuels de la santé. Bien que la créatinine sérique (SCR) et la production d'urine servent de critères de diagnostic pour AKI, des retards dans leur détection peuvent se produire. Par conséquent, l'identification précoce des patients à risque de développer AKI est cruciale pour créer une fenêtre pour des interventions préventives et atténuer le risque de détérioration supplémentaire. Plusieurs études antérieures ont développé divers modèles basés sur ML pour prédire AKI chez les patients gravement malades en raison des avantages potentiels de la détection précoce de l'AKI [5, 6]. Il est essentiel de supprimer le mystère entourant la ML car cela rend plus simple pour les médecins de comprendre le raisonnement derrière ML [7]. Afin d'expliquer pourquoi ML fait les choix qu'il fait, un nouveau champ appelé AI explicable (XAI) est apparu. Deux des méthodes les plus populaires pour expliquer sont l'explication locale interprétable d'agnostique (chaux) et l'explication de l'additif de Shapley (Shap) [8, 9]. De nouvelles approches interprétables ont été efficacement utilisées pour expliquer les modèles ML pour prévenir l'hypoxémie pendant la chirurgie [10], prédire la mortalité dans la septicémie et l'AKI [9, 11], la prévision de l'occurrence de l'AKI après une chirurgie cardiaque [12] et la prédiction de la résistance aux antibiotiques [13].

À notre connaissance, la fiabilité et la robustesse des techniques explicatives de détection de l'AKI chez les patients gravement malades ont rarement été étudiées. Par conséquent, la présente étude a été menée pour construire une approche ML pour la prédiction précoce de l'AKI chez les patients en USI et pour appliquer le XAI pour rendre la ML plus transparente et interprétable.