Machine Learning en Kunstmatige Intelligentie Algoritmen om de Prestaties en Levering van Acute Dialyse te Optimaliseren (SMART DIALYSIS)

Studieachtergrond & Rationale:

Acute dialyse is nodig bij ongeveer 10-15% van alle patiënten die worden opgenomen op intensive care-afdelingen (IC's). Acute dialyse kan de vorm aannemen van continue nierfunctievervangende therapie (CNVVT), intermitterende hemodialyse (IHD) of slow-low efficiency dialyse (SLED). Wereldwijd blijft CNVVT de overheersende vorm van acute dialyse, waarbij meer dan 75% van de acute dialyse CNVVT is.

De toepassing van acute dialyse op de IC wordt geassocieerd met slechte patiëntuitkomsten. Ondanks vooruitgang in medische technologie en zorg blijft de mortaliteit tussen 40-60%, wat vergelijkbaar is met de uitkomsten die worden waargenomen bij ernstig acuut respiratoir distress syndroom (ARDS). Bovendien, zelfs wanneer patiënten hun kritieke ziekte overleven, heeft tot 10% van de patiënten voortdurende langdurige chronische dialysebehandeling nodig. Dit heeft een significant effect op de kwaliteit van leven van overlevenden van kritieke ziekte, evenals belangrijke effecten op hun families, wat vaak veranderingen in werk- en woonsituatie vereist, evenals verhuizing naar locaties dichter bij dialysecentra. Dit resulteert niet alleen in aanzienlijke gezondheidszorg- en sociale kosten (ongeveer $100.000/patiënt/jaar in Alberta, Canada), maar ook in zeer belangrijke verminderingen van de gezondheidsgerelateerde kwaliteit van leven voor deze patiënten. Momenteel, hoewel er bewijs bestaat over de optimale start van acute dialyse, is er een gebrek aan bewijs om het tijdstip van modaliteitsovergang of bevrijding van deze therapie te voorspellen. Met behulp van een volledig geïntegreerd elektronisch Klinisch Informatiesysteem (eKIS) zoals Connect Care (EPIC, Wisconsin, USA) in Alberta, kunnen we voorspellende algoritmen ontwikkelen die patiënt- en acute dialysebehoeften kunnen anticiperen.

Zodra acute dialyse is gestart, kunnen verschillende factoren het herstel van de nieren na acute dialyse beïnvloeden. Intra-dialytische hypotensie is geïdentificeerd als een leidende beïnvloedbare factor, maar helaas, een factor waarbij we beperkte capaciteit hebben om nauwkeurig te voorspellen. Dit is een belangrijke kenniskloof die moet worden aangepakt. Het is ook eerder geïdentificeerd door ons onderzoeksteam als een van de belangrijkste prestatie-indicatoren (KPI's) voor acute dialyse, vooral bij IHD en SLED. Voor CNVVT is filterlevensduur geïdentificeerd als de belangrijkste en meest bestudeerde KPI. Beide KPI's worden momenteel gebruikt door de lopende QUALITY CRRT en DIALYZING WISELY programma's om de prestaties en levering van acute dialyse aan kritiek zieke patiënten te verbeteren. Deze twee programma's zijn succesvol geïmplementeerd in heel Alberta en hebben de infrastructuur gevestigd die nodig is om de volgende stappen in deze Continue Kwaliteitsinitiatieven voor acute dialyse, het SMART DIALYSIS programma, te initiëren.

Recentelijk hebben vooruitgangen in computer- en machineverwerking geleid tot de 4e industriële revolutie met de ontwikkeling van slimme machines, apparaten en leer-algoritmen die mensen kunnen helpen bij het beheer van patiënten en het optimaliseren van de levering van gezondheidszorg. Machine Learning (ML) en Kunstmatige Intelligentie (AI) algoritmen zijn eerder gebruikt in de geneeskunde, maar zijn pas begonnen met hun implementatie in kritieke zorg nefrologie.

Huidige initiatieven zijn voornamelijk gericht op patroonherkenning en risicovoorspelling. Dit programma zal 4 verschillende fasen bevatten.

In Fase 1 zullen we voortbouwen op ons werk van het QUALITY CRRT en DIALYZING WISELY programma en zullen we ernaar streven om het landschap rond beslissingen over overgangen tussen acute dialysemodaliteiten, beëindiging en pogingen tot bevrijding van acute dialyse, de incidentie van intra-dialytische hypotensie, en het tijdstip van filterstolling op de IC beter te begrijpen.

In Fase 2 zullen we modellen en daaropvolgende Klinische Beslissingsondersteuning (KBO) tools en/of Best Practice Adviezen (BPA's) ontwikkelen voor clinici om beter te voorspellen en beheren 1) overgangen tussen acute dialysebehandelingen, 2) beheer van intra-dialytische hypotensie, 3) voorspelling van filterlevensduur en 4) bevrijding van acute dialyse. Gelijktijdig met dit werk zullen we werken aan de ontwikkeling van een AI/ML-augmented Acute Dialyse Dashboard (d.w.z. SMART DIALYSIS Digitaal Dashboard) ingebed in ons elektronisch Klinisch Informatiesysteem (eKIS) om deze KPI's aan clinici te presenteren.

Fase 3 zal kijken naar de implementatie en evaluatie van de prestaties en aanvaardbaarheid van deze ML/AI-algoritmen in de klinische praktijk.

Ten slotte zal Fase 4 onze Alberta-afgeleide resultaten nemen en ernaar streven om deze te implementeren en te benchmarken bij andere grote gezondheidszorgautoriteiten om ervoor te zorgen dat de algoritmen op de juiste en ethische wijze zijn ontwikkeld en gevalideerd. Dit zal partners omvatten in heel Canada, de VS, Europa en Australië en Nieuw-Zeeland.