Ocena modeli prognozowania AI w przewidywaniu ostrego uszkodzenia nerek u krytycznych pacjentów

Ostre uszkodzenie nerek (AKI) jest najcięższym, powszechnym i zagrażającym życiu powikłania u hospitalizowanych pacjentów i wiąże się z wysokim wskaźnikiem zachorowalności i śmiertelności [1]. Wykazano, że AKI wpływa na około 30-60% krytycznie chorych pacjentów, szczególnie tych na oddziale intensywnej terapii (OIOM) [1]. Pomimo niedawnych postępów w zakresie opieki klinicznej i technologii dializy, występowanie AKI u pacjentów z OIOM ma wskaźnik śmiertelności do 50%, czyli 1,5 do 2-krotnie od pacjentów z OIOM bez AKI [2, 3]. Jeśli jednak zostaną wykryte i zarządzane, interwencje prowadzone przez ustalone zalecenia, takie jak te dostarczone przez KDIGO, mogą złagodzić ryzyko dalszego pogorszenia u pacjentów z AKI [4]. Dlatego identyfikacja osób o wysokim ryzyku AKI ma zasadnicze znaczenie dla zarządzania krytycznie chorych pacjentów.

Sztuczna inteligencja (AI) i uczenie maszynowe (ML) reprezentują nowe technologie, które mogłyby wykorzystywać duże ilości danych związanych ze zdrowiem, aby pomóc lekarzom w podejmowaniu lepszych decyzji klinicznych i poprawie indywidualnych wyników zdrowotnych. Podczas gdy kreatynina w surowicy (SCR) i moc moczu służą jako kryteria diagnostyczne AKI, mogą wystąpić opóźnienia w ich wykryciu. Dlatego wczesna identyfikacja pacjentów zagrożonych rozwojem AKI ma kluczowe znaczenie dla stworzenia okna dla interwencji zapobiegawczych i ograniczenia ryzyka dalszego pogorszenia. Kilka poprzednich badań opracowało różne modele oparte na ML w celu przewidywania AKI u pacjentów krytycznie chorych ze względu na potencjalne korzyści wczesnego wykrywania AKI [5, 6]. Niezwykle ważne jest, aby usunąć tajemnicę otaczającą ML, ponieważ ułatwia to, że lekarze rozumieją rozumowanie ML [7]. Aby wyjaśnić, dlaczego ML dokonuje wyborów, pojawiła się nowe pole o nazwie wyjaśniali AI (XAI). Dwie z najpopularniejszych metod wyjaśnienia to lokalne interpretacyjne wyjaśnienie modelu-agnostyczne (wapno) i Shapley Additive Wyjaśnienie (SHAP) [8, 9]. Nowe podejście do interpretacji zostały skutecznie wykorzystane do wyjaśnienia modeli ML do zapobiegania hipoksemii podczas operacji [10], przewidując śmiertelność w posocznicy i Aki [9, 11], przewidując występowanie AKI po operacji serca [12] i przewidywanie oporności na antybiotyki [13].

Zgodnie z naszą najlepszą wiedzą, rzadko badano niezawodność i odporność technik wyjaśniających w zakresie wykrywania AKI u krytycznie chorych pacjentów. Dlatego przeprowadzono niniejsze badanie w celu zbudowania podejścia ML do wczesnej prognozy AKI u pacjentów z OIOM i zastosowanie XAIS, aby ML był bardziej przezroczysty i interpretacyjny.