Valutazione dei modelli di previsione dell'IA nella previsione della lesione renale acuta nei pazienti critici

La lesione renale acuta (AKI) è la complicazione più grave, comune e potenzialmente letale nei pazienti ospedalizzati ed è associata ad elevati tassi di morbilità e mortalità [1]. È stato dimostrato che l'AKI colpisce circa il 30-60% dei pazienti in condizioni critiche, in particolare quelle nell'unità di terapia intensiva (ICU) [1]. Nonostante i recenti progressi nelle cure cliniche e nella tecnologia della dialisi, il verificarsi di AKI nei pazienti in terapia intensiva ha un tasso di mortalità fino al 50%, che è da 1,5 a 2 volte a quello dei pazienti in terapia intensiva senza AKI [2, 3]. Tuttavia, se rilevati e gestiti prontamente, gli interventi guidati da raccomandazioni stabilite, come quelle fornite da KDIGO, possono mitigare il rischio di ulteriore deterioramento nei pazienti con AKI [4]. Pertanto, identificare le persone ad alto rischio di AKI è vitale per la gestione dei pazienti in condizioni critiche.

L'intelligenza artificiale (AI) e l'apprendimento automatico (ML) rappresentano tecnologie emergenti che potrebbero utilizzare grandi quantità di dati relativi alla salute per aiutare i medici a prendere decisioni cliniche migliori e migliorare i risultati della salute individuale. Mentre la creatinina sierica (SCR) e l'uscita delle urine fungono da criteri diagnostici per AKI, possono verificarsi ritardi nella loro rilevazione. Pertanto, l'identificazione precoce dei pazienti a rischio di sviluppare AKI è fondamentale per creare una finestra per interventi preventivi e mitigare il rischio di ulteriore deterioramento. Numerosi studi precedenti hanno sviluppato vari modelli a base di ML per prevedere l'AKI nei pazienti in condizioni critiche a causa dei potenziali benefici della diagnosi precoce dell'AKI [5, 6]. È fondamentale rimuovere il mistero che circonda ML poiché farlo rende più semplice per i medici comprendere il ragionamento alla base di ML [7]. Per spiegare perché ML fa le scelte che fa, è emerso un nuovo campo chiamato AI spiegabile (XAI). Due dei metodi più popolari per la spiegazione sono la spiegazione del modello-agnostica interpretabile locale (Lime) e la spiegazione additiva di Shapley (SHAP) [8, 9]. Nuovi approcci interpretabili sono stati effettivamente utilizzati per spiegare i modelli ML per prevenire l'ipossiemia durante l'intervento chirurgico [10], prevedere la mortalità nella sepsi e AKI [9, 11], prevedendo il verificarsi di AKI dopo la chirurgia cardiaca [12] e prevedendo la resistenza agli antibiotici [13].

Per quanto ne sappiamo, l'affidabilità e la robustezza delle tecniche esplicative per il rilevamento di AKI in pazienti critici sono stati studiati raramente. Pertanto, il presente studio è stato condotto per costruire un approccio ML per la previsione precoce di AKI nei pazienti in terapia intensiva e per applicare XAIS per rendere ML più trasparente e interpretabile.