Avaliação de modelos de previsão de IA na previsão de lesão renal aguda em pacientes críticos

A lesão renal aguda (LRA) é a complicação mais grave, comum e com risco de vida em pacientes hospitalizados e está associada a altas taxas de morbimortalidade [1]. Foi demonstrado que o LRA afeta aproximadamente 30-60% dos pacientes críticos, especialmente os da unidade de terapia intensiva (UTI) [1]. Apesar dos recentes avanços nos cuidados clínicos e na tecnologia de diálise, a ocorrência de LRA em pacientes com UTI tem uma taxa de mortalidade de até 50%, que é de 1,5 a 2 vezes à de pacientes com UTI sem LRA [2, 3]. No entanto, se detectado e gerenciado prontamente, intervenções guiadas por recomendações estabelecidas, como as fornecidas pelo Kdigo, podem mitigar o risco de mais deterioração em pacientes com LRA [4]. Portanto, identificar indivíduos com alto risco de LRA é vital para gerenciar pacientes críticos.

A inteligência artificial (IA) e o aprendizado de máquina (ML) representam tecnologias emergentes que podem usar grandes quantidades de dados relacionados à saúde para ajudar os médicos a tomar melhores decisões clínicas e melhorar os resultados individuais da saúde. Enquanto a creatinina sérica (SCR) e a produção de urina servem como critérios de diagnóstico para LRA, podem ocorrer atrasos em sua detecção. Portanto, a identificação precoce de pacientes em risco de desenvolver LRA é crucial para criar uma janela para intervenções preventivas e mitigar o risco de maior deterioração. Vários estudos anteriores desenvolveram vários modelos baseados em ML para prever a LRA em pacientes críticos devido aos benefícios potenciais da detecção precoce de LRA [5, 6]. É fundamental remover o mistério em torno do ML, pois isso torna mais simples para os médicos compreender o raciocínio por trás do ML [7]. Para explicar por que o ML faz as escolhas que faz, surgiu um novo campo chamado IA explicável (XAI). Dois dos métodos mais populares para explicar são a explicação local-agnóstica interpretável local (Lime) e a explicação aditiva de Shapley (SHAP) [8, 9]. Novas abordagens interpretáveis ​​foram efetivamente utilizadas para explicar os modelos de ML para prevenir a hipoxemia durante a cirurgia [10], prevendo mortalidade na sepse e LRA [9, 11], prevendo a ocorrência de LRA após cirurgia cardíaca [12] e prevendo a resistência a antibióticos [13].

Até onde sabemos, a confiabilidade e a robustez das técnicas explicativas para detectar LRA em pacientes criticamente doentes raramente foram estudados. Portanto, o presente estudo foi realizado para construir uma abordagem de ML para a previsão precoce de LRA em pacientes com UTI e aplicar Xais para tornar a ML mais transparente e interpretável.