Оценка моделей прогнозирования ИИ в прогнозировании острого повреждения почек у критических пациентов

Острое повреждение почек (ОПП) является наиболее тяжелым, распространенным и опасным для жизни осложнением у госпитализированных пациентов и связано с высокой заболеваемостью и смертностью [1]. Было продемонстрировано, что ОПП поражает приблизительно 30-60% критически больных пациентов, особенно в отделении интенсивной терапии (ОИТ) [1]. Несмотря на недавние достижения в области клинической помощи и технологии диализа, возникновение ОПП у пациентов с ОИТ имеет уровень смертности до 50%, что составляет 1,5 до 2 раз для пациентов с ОИТ без ОПП [2, 3]. Однако, если они обнаружены и управляются незамедлительно, вмешательства, руководствующие установленными рекомендациями, такими как те, которые предоставляются Kdigo, могут снизить риск дальнейшего ухудшения у пациентов с ОПП [4]. Следовательно, выявление людей с высоким риском ОПП имеет жизненно важное значение для управления критически больными пациентами.

Искусственный интеллект (ИИ) и машинное обучение (МЛ) представляют новые технологии, которые могут использовать большие объемы данных, связанных со здоровьем, чтобы помочь врачам принимать лучшие клинические решения и улучшить индивидуальные результаты в отношении здоровья. В то время как сывороточный креатинин (SCR) и выход мочи служат диагностическим критериям для ОПП, могут возникнуть задержки в их обнаружении. Следовательно, ранняя идентификация пациентов с риском развития ОПП имеет решающее значение для создания окна для профилактических вмешательств и снижения риска дальнейшего ухудшения. В нескольких предыдущих исследованиях разработали различные модели на основе ML для прогнозирования ОПП у критически больных пациентов из-за потенциальных преимуществ раннего обнаружения ОПП [5, 6]. Очень важно удалить тайну, окружающую ML с тех пор, как это упрощает, чтобы врачи поняли причину ML [7]. Чтобы объяснить, почему ML делает выбор, который он делает, появилось новое поле, называемое объяснимым ИИ (XAI). Двумя наиболее популярными методами объяснения являются локальные интерпретируемые модель-агростические объяснения (известь) и аддитивное объяснение Шапли (SHAP) [8, 9]. Новые интерпретируемые подходы были эффективно использованы для объяснения моделей ML для профилактики гипоксемии во время операции [10], прогнозируя смертность при сепсисе и ОПП [9, 11], предсказывая возникновение ОПП после операции по сердечнике [12] и предсказания резистентности к антибиотике [13].

Насколько нам известно, надежность и надежность объяснительных методов обнаружения ОПП у критически больных пациентов редко изучались. Таким образом, настоящее исследование было проведено для построения ML -подхода для раннего прогнозирования ОПП у пациентов с ОИТ и применения XAI, чтобы сделать ML более прозрачным и интерпретируемым.