Vurdering av AI -prediksjonsmodeller i prediksjon av akutt nyreskade hos kritiske pasienter

Akutt nyreskade (AKI) er den mest alvorlige, vanlige og livstruende komplikasjonen hos sykehusinnlagte pasienter og er assosiert med høy sykelighet og dødelighetsrate [1]. Det er påvist at AKI påvirker omtrent 30-60% av kritisk syke pasienter, spesielt de på intensivavdelingen (ICU) [1]. Til tross for de nylige fremskrittene innen klinisk omsorg og dialyseteknologi, har forekomsten av AKI hos ICU-pasienter en dødelighet på opptil 50%, som er 1,5 til to ganger for ICU-pasienter uten AKI [2, 3]. Imidlertid, hvis det oppdages og styres omgående, kan intervensjoner styrt av etablerte anbefalinger, for eksempel de som er gitt av KDIGO, dempe risikoen for ytterligere forverring hos AKI -pasienter [4]. Derfor er identifisering av individer med høy risiko for AKI avgjørende for å håndtere kritisk syke pasienter.

Kunstig intelligens (AI) og maskinlæring (ML) representerer nye teknologier som kan bruke store mengder helserelaterte data for å hjelpe leger med å ta bedre kliniske beslutninger og forbedre individuelle helseutfall. Mens serumkreatinin (SCR) og urinutgang fungerer som diagnostiske kriterier for AKI, kan forsinkelser i deteksjonen oppstå. Derfor er tidlig identifisering av pasienter med risiko for å utvikle AKI avgjørende for å skape et vindu for forebyggende inngrep og dempe risikoen for ytterligere forverring. Flere tidligere studier har utviklet forskjellige ML-baserte modeller for å forutsi AKI hos kritisk syke pasienter på grunn av potensielle fordeler ved tidlig påvisning av AKI [5, 6]. Det er viktig å fjerne mysteriet rundt ML siden det gjør det enklere for leger å forstå resonnementet bak ML [7]. For å forklare hvorfor ML tar valgene det gjør, har et nytt felt kalt forklarbar AI (XAI) dukket opp. To av de mest populære metodene for å forklare er lokal tolkbar modell-agnostisk forklaring (kalk) og Shapley Additive forklaring (SHAP) [8, 9]. Novelle tolkbare tilnærminger har blitt brukt effektivt for å forklare ML -modeller for å forhindre hypoksemi under operasjonen [10], og forutsi dødelighet ved sepsis og AKI [9, 11], forutsi forekomsten av AKI etter hjertekirurgi [12], og forutsi antibiotikaresistens [13].

Så vidt vi vet, har påliteligheten til forklarende teknikker for å oppdage AKI hos kritisk syke pasienter sjelden blitt studert. Derfor ble den nåværende studien utført for å konstruere en ML -tilnærming for den tidlige prediksjonen av AKI hos ICU -pasienter og for å anvende XAIS for å gjøre ML mer gjennomsiktig og tolkbar.