Prediksjon av akutt nyresykdom etter hjertekirurgi: En maskinlæringstilnærming

Nyrekomplikasjoner etter hjertekirurgi er en av de vanlige komplikasjonene med høy forekomst, høy risiko for død og progresjon til kronisk nyresvikt (CKD). Tidligere vurderinger av perioperativ nyrefunksjon fokuserte hovedsakelig på akutt nyreskade (AKI) relatert til hjertekirurgi innen syv dager etter operasjonen. Det nylig foreslåtte konseptet akutt nyresykdom (AKD) de siste årene refererer til akutte eller subakute nyreskader som varer fra syv til nitti dager. Forskning har funnet at AKD kan oppstå etter AKI eller hos pasienter uten AKI, og de to er både relaterte og uavhengige av hverandre, noe som muligens indikerer forskjellige undertyper av nyreskade. AKD er ikke uvanlig og er en mer signifikant prediktor for dødelighet og endestadiums nyresykdom (ESKD). Derfor kan AKD være et viktig vindu for å identifisere og håndtere høyt risikable pasienter etter hjertekirurgi. På grunn av begrenset forskning på AKD etter hjertekirurgi, er risikofaktorene for AKD for tiden uklare, og det finnes ingen klinisk praktiske og effektive risikostratifiseringsverktøy tilgjengelig. Denne studien tar sikte på å etablere en multimodal perioperativ datamodell gjennom et retrospektivt kohort, og bruke maskinlæringsmetoder for å konstruere en risikoprediksjonsmodell for AKD etter hjertekirurgi. Nøyaktigheten og stabiliteten til modellen vil bli validert i en prospektiv studie kohort, og et nettbasert risikoprediksjons- og klinisk beslutningsstøtteverktøy vil bli utviklet for å hjelpe klinikere med raskt å gjennomføre personlig risikovurdering og optimalisere diagnostikk- og behandlingsstrategier, og dermed forbedre pasientprognose og redusere medisinske kostnader.