Maskininlärning och artificiell intelligens-algoritmer för att optimera prestanda och leverans av akut dialys (SMART DIALYSIS)

Studiens bakgrund och motivering:

Akut dialys krävs för cirka 10-15% av alla patienter som tas in på intensivvårdsavdelningar (IVA). Akut dialys kan ske i form av kontinuerlig renal substitutionsterapi (CRRT), intermittent hemodialys (IHD) eller slow-low efficiency dialysis (SLED). Globalt sett förblir CRRT den dominerande formen av akut dialys, med över 75% av all akut dialys som CRRT.

Användningen av akut dialys på IVA är associerad med dåliga patientutfall. Trots framsteg inom medicinsk teknik och vård förblir dödligheten mellan 40-60%, vilket liknar utfall som observerats vid svår akut andningssvikt (ARDS). Dessutom, även när patienter överlever sin kritiska sjukdom, kräver upp till 10% av patienterna pågående långsiktig kronisk dialysbehandling. Detta har en betydande effekt på livskvaliteten för överlevande av kritisk sjukdom, samt viktiga effekter på deras familjer, vilket ofta kräver förändringar i arbets- och boendestatus, samt flytt till platser närmare dialyscenter. Detta resulterar inte bara i betydande hälso- och sociala kostnader (cirka $100 000/patient/år i Alberta, Kanada), utan också mycket viktiga minskningar i den hälsorelaterade livskvaliteten för dessa patienter. För närvarande, även om det finns evidens om optimal initiering av akut dialys, finns det brist på evidens för att förutsäga tidpunkten för modalitetsövergång eller frigörelse från denna behandling. Genom att använda ett helt integrerat elektroniskt kliniskt informationssystem (eCIS) som Connect Care (EPIC, Wisconsin, USA) i Alberta kan vi utveckla prediktiva algoritmer som kan förutse patientens och den akuta dialysens behov.

När akut dialys har initierats kan flera faktorer påverka njuråterhämtningen efter akut dialys. Intradialytisk hypotoni har identifierats som en ledande modifierbar faktor, men tyvärr en där vi har begränsad förmåga att noggrant förutsäga. Detta är ett viktigt kunskapsgap som måste åtgärdas. Det har också tidigare identifierats av vårt studieteam som en av de viktigaste nyckeltal (KPI) för akut dialys, särskilt inom IHD och SLED. För CRRT har filterlivslängd identifierats som det viktigaste och mest studerade KPI. Båda dessa KPI används för närvarande av de pågående programmen QUALITY CRRT och DIALYZING WISELY för att förbättra prestationen och leveransen av akut dialys till kritiskt sjuka patienter. Dessa två program har framgångsrikt implementerats över hela Alberta och har etablerat den infrastruktur som krävs för att initiera nästa steg i dessa kontinuerliga kvalitetsinitiativ för akut dialys, programmet SMART DIALYSIS.

Nyligen har framsteg inom dator- och maskinbearbetning lett till den 4:e industriella revolutionen som kännetecknas av utvecklingen av smarta maskiner, enheter och inlärningsalgoritmer som kan hjälpa människor i hanteringen av patienter och optimera leveransen av hälso- och sjukvård. Maskininlärning (ML) och artificiell intelligens (AI) algoritmer har tidigare använts inom medicin, men har bara börjat implementeras inom intensivvårdsnefrologi.

Nuvarande initiativ är främst inriktade på mönsterigenkänning och riskprediktion. Detta program kommer att innehålla 4 distinkta faser.

I Fas 1 kommer vi att fortsätta arbetet från våra program QUALITY CRRT och DIALYZING WISELY och kommer att sträva efter att bättre förstå landskapet kring beslut om övergångar mellan akuta dialysmodaliteter, avslutning och försök till frigörelse från akut dialys, incidensen av intradialytisk hypotoni och tidpunkten för filterkoagulering på IVA.

I Fas 2 kommer vi att utveckla modeller och efterföljande kliniska beslutsstöd (CDS) verktyg och/eller bästa praxisråd (BPAs) för kliniker för att bättre förutsäga och hantera 1) övergångar mellan akuta dialysbehandlingar, 2) hantering av intradialytisk hypotoni, 3) prediktion av filterlivslängd och 4) frigörelse från akut dialys. Samtidigt med detta arbete kommer vi att arbeta med att utveckla en AI/ML-förstärkt akut dialysinstrumentpanel (dvs. SMART DIALYSIS Digital Dashboard) inbäddad i vårt elektroniska kliniska informationssystem (eCIS) för att presentera dessa KPI för kliniker.

Fas 3 kommer att undersöka implementering och utvärdering av prestanda och acceptans för dessa ML/AI-algoritmer i klinisk praxis.

Slutligen kommer Fas 4 att ta våra Alberta-härledda resultat och sträva efter att implementera och jämföra dessa över andra stora hälso- och sjukvårdsmyndigheter för att säkerställa att algoritmerna har utvecklats och validerats på ett lämpligt och etiskt sätt. Dessa kommer att inkludera partners över Kanada, USA, Europa och Australien och Nya Zeeland.