Алгоритмы машинного обучения и искусственного интеллекта для оптимизации производительности и проведения острого диализа (SMART DIALYSIS)

Обоснование исследования:

Острый диализ требуется примерно у 10-15% всех пациентов, поступивших в отделения интенсивной терапии (ОИТ). Острый диализ может проводиться в виде непрерывной заместительной почечной терапии (НЗПТ), интермиттирующего гемодиализа (ИГД) или медленного низкоэффективного диализа (МНЭД). Во всем мире НЗПТ остается преобладающей формой острого диализа, причем более 75% случаев острого диализа составляют НЗПТ.

Применение острого диализа в ОИТ связано с неблагоприятными исходами для пациентов. Несмотря на достижения в медицинских технологиях и уходе, смертность остается на уровне 40-60%, что аналогично исходам, наблюдаемым при тяжелом остром респираторном дистресс-синдроме (ОРДС). Кроме того, даже если пациенты переживают критическое состояние, до 10% пациентов требуют постоянной длительной хронической диализной терапии. Это существенно влияет на качество жизни выживших после критического состояния, а также оказывает важное воздействие на их семьи, часто требуя изменений в работе и жилищных условиях, а также переезда в места, более близкие к диализным центрам. Это приводит не только к значительным затратам на здравоохранение и социальные нужды (примерно 100 000 долларов на пациента в год в Альберте, Канада), но и к очень важному снижению качества жизни, связанного со здоровьем, у этих пациентов. В настоящее время, хотя существуют доказательства относительно оптимального начала острого диализа, недостаточно данных для прогнозирования времени перехода между методами или освобождения от этой терапии. Используя полностью интегрированную электронную клиническую информационную систему (eCIS), такую как Connect Care (EPIC, Висконсин, США) в Альберте, мы можем разработать прогностические алгоритмы, которые могут предсказывать потребности пациента в остром диализе.

После начала острого диализа несколько факторов могут влиять на восстановление функции почек после острого диализа. Интрадиализная гипотензия была определена как ведущий изменяемый фактор, но, к сожалению, у нас ограничены возможности для точного прогнозирования этого фактора. Это важный пробел в знаниях, который необходимо устранить. Наша исследовательская группа ранее также определила его как один из наиболее важных ключевых показателей эффективности (КПЭ) для острого диализа, особенно при ИГД и МНЭД. Для НЗПТ срок службы фильтра был определен как наиболее важный и изучаемый КПЭ. Оба этих КПЭ в настоящее время используются в рамках текущих программ QUALITY CRRT и DIALYZING WISELY для улучшения проведения и предоставления острого диализа критически больным пациентам. Эти две программы были успешно внедрены по всей Альберте и создали инфраструктуру, необходимую для начала следующих шагов в этих непрерывных инициативах по повышению качества острого диализа — программы SMART DIALYSIS.

В последнее время достижения в области компьютерных и машинных технологий привели к 4-й промышленной революции, характеризующейся разработкой умных машин, устройств и обучающих алгоритмов, которые могут помогать людям в ведении пациентов и оптимизировать оказание медицинской помощи. Алгоритмы машинного обучения (МО) и искусственного интеллекта (ИИ) ранее использовались в медицине, но только начали внедряться в нефрологию интенсивной терапии.

Текущие инициативы в основном сосредоточены на распознавании образов и прогнозировании рисков. Эта программа будет состоять из 4 различных этапов.

На этапе 1 мы продолжим работу по программам QUALITY CRRT и DIALYZING WISELY и поставим цель лучше понять контекст решений относительно переходов между методами острого диализа, прекращения терапии и попыток освобождения от острого диализа, частоты интрадиализной гипотензии и времени свертывания фильтров в ОИТ.

На этапе 2 мы разработаем модели и последующие инструменты поддержки клинических решений (CDS) и/или рекомендации по наилучшей практике (BPA) для клиницистов, чтобы лучше прогнозировать и управлять 1) переходами между методами острого диализа, 2) ведением интрадиализной гипотензии, 3) прогнозированием срока службы фильтра и 4) освобождением от острого диализа. Параллельно с этой работой мы будем разрабатывать информационную панель острого диализа с поддержкой ИИ/МО (т.е. цифровую панель SMART DIALYSIS), встроенную в нашу электронную клиническую информационную систему (eCIS), для представления этих КПЭ клиницистам.

Этап 3 будет посвящен внедрению и оценке эффективности и приемлемости этих алгоритмов МО/ИИ в клинической практике.

Наконец, на этапе 4 мы возьмем полученные в Альберте результаты и постараемся внедрить и сравнить их с другими крупными органами здравоохранения, чтобы убедиться, что алгоритмы разработаны и валидированы надлежащим и этичным образом. Это будет включать партнеров по всей Канаде, США, Европе, Австралии и Новой Зеландии.