Beoordeling van AI -voorspellingsmodellen bij het voorspellen van acuut nierletsel bij kritieke patiënten

Acute nierletsel (AKI) is de meest ernstige, gemeenschappelijke en levensbedreigende complicatie bij in het ziekenhuis opgenomen patiënten en wordt geassocieerd met hoge morbiditeit en sterftecijfers [1]. Er is aangetoond dat AKI ongeveer 30-60% van de kritiek zieke patiënten treft, vooral die op de intensive care (ICU) [1]. Ondanks de recente ontwikkelingen in de klinische zorg- en dialysetechnologie, heeft het optreden van AKI bij ICU-patiënten een sterftecijfer tot 50%, wat 1,5 tot 2-voudig is voor die van IC-patiënten zonder AKI [2, 3]. Indien onmiddellijk gedetecteerd en beheerd, kunnen interventies geleid door gevestigde aanbevelingen, zoals die van Kdigo, het risico op verdere verslechtering bij AKI -patiënten verminderen [4]. Daarom is het identificeren van personen met een hoog risico op AKI van vitaal belang voor het beheren van kritisch zieke patiënten.

Kunstmatige intelligentie (AI) en machine learning (ML) vertegenwoordigen opkomende technologieën die grote hoeveelheden gezondheidsgerelateerde gegevens kunnen gebruiken om artsen te helpen betere klinische beslissingen te nemen en individuele gezondheidsresultaten te verbeteren. Terwijl serumcreatinine (SCR) en urine -output dienen als diagnostische criteria voor AKI, kunnen vertragingen in hun detectie optreden. Daarom is vroege identificatie van patiënten die het risico lopen AKI te ontwikkelen cruciaal om een ​​venster te creëren voor preventieve interventies en het risico op verdere verslechtering te beperken. Verschillende eerdere studies hebben verschillende op ML gebaseerde modellen ontwikkeld om AKI bij kritisch zieke patiënten te voorspellen vanwege de potentiële voordelen van vroege detectie van AKI [5, 6]. Het is van cruciaal belang om het mysterie rond ML te verwijderen, omdat dit dit voor artsen eenvoudiger maakt om de redenering achter ML te begrijpen [7]. Om uit te leggen waarom ML de keuzes maakt die het doet, is er een nieuw veld genaamd Uitgelegbare AI (XAI) naar voren gekomen. Twee van de meest populaire methoden om uit te leggen zijn lokale interpreteerbare model-agnostische verklaring (limoen) en Shapley Additive Verklaring (SHAP) [8, 9]. Nieuwe interpreteerbare benaderingen zijn effectief gebruikt om ML -modellen te verklaren voor het voorkomen van hypoxemie tijdens chirurgie [10], het voorspellen van mortaliteit in sepsis en AKI [9, 11], het voorspellen van het optreden van AKI na hartchirurgie [12] en het voorspellen van antibiotische resistentie [13].

Voor zover wij weten, zijn de betrouwbaarheid en robuustheid van verklarende technieken voor het detecteren van AKI bij kritisch zieke patiënten zelden onderzocht. Daarom werd de huidige studie uitgevoerd om een ​​ML -benadering te construeren voor de vroege voorspelling van AKI bij IC -patiënten en om XAIS toe te passen om ML transparanter en interpreteerbaarder te maken.