Maskinlæring og kunstig intelligens-algoritmer for å optimalisere ytelsen og leveringen av akutt dialyse (SMART DIALYSIS)

Studiens bakgrunn og begrunnelse:

Akutt dialyse kreves hos omtrent 10–15 % av alle pasienter som er innlagt på intensivavdelinger (ICU). Akutt dialyse kan utføres som kontinuerlig nyreerstattende behandling (CRRT), intermitterende hemodialyse (IHD) eller langsom lav-effektdialyse (SLED). Verden over forblir CRRT den dominerende formen for akutt dialyse, med over 75 % av all akutt dialyse som CRRT.

Bruken av akutt dialyse på intensivavdeling er assosiert med dårlige pasientutfall. Til tross for fremskritt i medisinsk teknologi og pleie, forblir dødeligheten mellom 40–60 %, noe som ligner på utfall observert ved alvorlig akutt respirasjonssvikt (ARDS). I tillegg, selv når pasienter overlever sin kritiske sykdom, kan opptil 10 % av pasientene trenge pågående langvarig kronisk dialysebehandling. Dette har en betydelig effekt på livskvaliteten til overlevende etter kritisk sykdom, samt viktige konsekvenser for familiene deres, ofte med krav om endringer i arbeid- og boligsituasjon, samt flytting til steder nærmere dialysesentre. Dette resulterer ikke bare i betydelige helse- og sosiale kostnader (omtrent $100 000/pasient/år i Alberta, Canada), men også svært viktige reduksjoner i helserelatert livskvalitet for disse pasientene. For øyeblikket, selv om det finnes bevis for optimal oppstart av akutt dialyse, er det mangel på bevis for å forutsi tidspunkt for modalitetsovergang eller frigjøring fra denne behandlingen. Ved å bruke et fullstendig integrert elektronisk klinisk informasjonssystem (eCIS) som Connect Care (EPIC, Wisconsin, USA) i Alberta, kan vi utvikle prediktive algoritmer som kan forutse pasientens og akutt dialyses behov.

Når akutt dialyse er startet, kan flere faktorer påvirke nyrebedring etter akutt dialyse. Intradialytisk hypotensjon er identifisert som en ledende modifiserbar faktor, men dessverre en der vi har begrenset evne til å nøyaktig forutsi. Dette er et viktig kunnskapshull som må adresseres. Det har også tidligere blitt identifisert av vårt studieteam som en av de viktigste nøkkelytelsesindikatorene (KPI) for akutt dialyse, spesielt i IHD og SLED. For CRRT er filterlevetid identifisert som den viktigste og mest studerte KPI-en. Begge disse KPI-ene blir for tiden brukt av de pågående programmene QUALITY CRRT og DIALYZING WISELY for å forbedre ytelsen og leveringen av akutt dialyse til kritisk syke pasienter. Disse to programmene har blitt implementert med suksess over hele Alberta og har etablert infrastrukturen nødvendig for å starte neste trinn i disse kontinuerlige kvalitetsinitiativene for akutt dialyse, SMART DIALYSIS-programmet.

Nylig har fremskritt innen databehandling og maskinprosessering ført til den 4. industrielle revolusjonen med utviklingen av smarte maskiner, enheter og læringsalgoritmer som kan hjelpe mennesker med pasienthåndtering og optimalisere leveringen av helsetjenester. Maskinlæring (ML) og kunstig intelligens (AI) algoritmer har tidligere blitt brukt i medisin, men har bare begynt implementeringen innen intensivpleie nefrologi.

Nåværende initiativer er primært fokusert på mønstergjenkjenning og risikoprediksjon. Dette programmet vil inneholde 4 distinkte faser.

I fase 1 vil vi fortsette arbeidet fra vårt QUALITY CRRT og DIALYZING WISELY program og vil sikte mot å bedre forstå landskapet rundt beslutninger om overganger mellom akutt dialysemodaliteter, avslutning og forsøk på frigjøring fra akutt dialyse, forekomsten av intradialytisk hypotensjon og tidspunkt for filterkoagulering på intensivavdeling.

I fase 2 vil vi utvikle modeller og påfølgende kliniske beslutningsstøtteverktøy (CDS) og/eller beste praksis-råd (BPA) for klinikere for bedre å forutse og håndtere 1) overganger mellom akutt dialysebehandlinger, 2) håndtering av intradialytisk hypotensjon, 3) prediksjon av filterlevetid og 4) frigjøring fra akutt dialyse. Sammen med dette arbeidet vil vi jobbe med å utvikle et AI/ML-forbedret akutt dialyse-dashboard (dvs. SMART DIALYSIS Digital Dashboard) innebygd i vårt elektroniske kliniske informasjonssystem (eCIS) for å presentere disse KPI-ene til klinikere.

Fase 3 vil se på implementering og evaluering av ytelsen og aksepten til disse ML/AI-algoritmene i klinisk praksis.

Til slutt vil fase 4 ta våre Alberta-avledede resultater og se på å implementere og sammenligne disse på tvers av andre store helsemyndigheter for å sikre at algoritmene er utviklet og validert på riktig og etisk måte. Disse vil inkludere partnere over hele Canada, USA, Europa og Australia og New Zealand.