중요한 환자의 급성 신장 손상 예측에서 AI 예측 모델 평가

급성 신장 손상 (AKI)은 입원 환자에서 가장 심각하고 흔하고 생명을 위협하는 합병증이며 높은 이환율 및 사망률과 관련이 있습니다 [1]. AKI는 중환자 환자의 약 30-60%, 특히 중환자 실 (ICU)에 영향을 미친다는 것이 입증되었습니다 [1]. 최근 임상 치료 및 투석 기술의 발전에도 불구하고, ICU 환자에서 AKI의 발생은 최대 50%의 사망률을 가지고 있으며, 이는 AKI가없는 ICU 환자의 1.5 ~ 2 배입니다 [2, 3]. 그러나 신속하게 감지되고 관리되면 Kdigo가 제공 한 것과 같은 확립 된 권고에 의해 안내 된 중재는 AKI 환자의 추가 악화 위험을 완화 할 수 있습니다 [4]. 따라서 AKI 위험이 높은 개인을 식별하는 것은 중환자 환자를 관리하는 데 필수적입니다.

인공 지능 (AI) 및 머신 러닝 (ML)은 의사가 더 나은 임상 결정을 내리고 개별 건강 결과를 향상시키는 데 도움이되는 많은 양의 건강 관련 데이터를 사용할 수있는 새로운 기술을 나타냅니다. 혈청 크레아티닌 (SCR) 및 소변 출력은 AKI의 진단 기준으로 사용되지만, 탐지 지연이 발생할 수 있습니다. 따라서 AKI 발병 위험에 처한 환자의 조기 식별은 예방 중재를위한 창을 만들고 추가 악화의 위험을 완화하는 데 중요합니다. 몇몇 이전 연구는 AKI의 조기 발견의 잠재적 이점으로 인해 중증 환자의 AKI를 예측하기 위해 다양한 ML 기반 모델을 개발했다 [5, 6]. ML을 둘러싼 미스터리를 제거하는 것이 중요하기 때문에 의사가 ML의 추론을 이해하는 것이 더 간단합니다 [7]. ML이 선택한 이유를 설명하기 위해 설명 가능한 AI (XAI)라는 새로운 필드가 등장했습니다. 설명을위한 가장 인기있는 두 가지 방법 중 두 가지는 로컬 해석 가능한 모델 공유 설명 (라임)과 Shapley Additive 설명 (SHAP)입니다 [8, 9]. 새로운 해석 가능한 접근법은 수술 중 저산소 혈증을 예방하기위한 ML 모델을 설명하기 위해 효과적으로 활용되어 [10], 패혈증 및 AKI의 사망률을 예측하고 [9, 11] 심장 수술 후 AKI의 발생을 예측하고 [12], 항생제 내성 예측 [13].

우리가 아는 한, 비판적으로 아픈 환자에서 AKI를 감지하기위한 설명 기술의 신뢰성과 견고성은 거의 연구되지 않았습니다. 따라서, 본 연구는 ICU 환자에서 AKI의 초기 예측을위한 ML 접근법을 구성하고 ML을보다 투명하고 해석 할 수 있도록 XAI를 적용하기 위해 수행되었다.