Tehisintellekti potentsiaal ennustada kliinilisi tulemusi patsientidel, kes on perioperatiivsel perioodil saanud ägeda neerukahjustuse

Kontakt:joanna.jia@wecistanche.com/ WhatsApp: 008618081934791

Barry J. Kelly et al

Abstraktne

Äge neerukahjustus (AKI)on haiglaravil viibivate patsientide üldine meditsiiniline probleem kogu maailmas, mis võib põhjustada negatiivseid füsioloogilisi, sotsiaalseid ja majanduslikke tagajärgi. AKI-ga intensiivraviosakonda sattunud patsientidest on üle 40 protsendi enne vastuvõtmist olnud plaaniline või erakorraline operatsioon. Tulemuste ennustamine pärast AKI-d on keeruline ja otsus, kelle kohta alustada RRT-d neerude taastumise või pikaajalise elulemuse prognoosimise eesmärgil, on akuutravi arstide jaoks endiselt väljakutse. Elektrooniliste tervishoiudokumentide üha suureneva kasutamise tõttu võib tehisintellekt võimaldada operatsioonijärgset AKI prognoosimist ja aidata kliinilist juhtimist. Patsiendid saavad kasu, kui andmetele on lihtne juurde pääseda ning regulatiivsetest, eetilistest ja inimteguritest tulenevad väljakutsed on ületatavad.

kõrbetsitanche eelised ja dialüüs

Kliinilise probleemi ulatus

Äge neerukahjustus (AKI)on haiglaravil viibivate patsientide üldine meditsiiniline probleem kogu maailmas, mis võib põhjustada negatiivseid füsioloogilisi, sotsiaalseid ja majanduslikke tagajärgi.Ägeneerudvigastushinnanguliselt muudab see USA-s keeruliseks 12 protsenti haiglaravist, mõjutades otseselt rohkem kui 2 miljonit patsienti aastas (Al-Jaghbeer et al., 2018). American College of Surgeons National Surgical Quality Improvement Program andmetel esinevad AKI-st põhjustatud tüsistused ligikaudu 1 protsendil kõigist üldkirurgia juhtudest, mille tulemuseks on kaheksakordne 30-päevasuremus (Kheterpal et al., 2009). AKI-Epi uuring näitas, et 57,3 protsendil kõigist intensiivraviosakonna patsientidest oli AKI 1-nädala jooksul. 44 protsendil AKI-ga ICU patsientidest tehti enne vastuvõtmist plaaniline (29 protsenti) või erakorraline operatsioon (15 protsenti) (Hoste et al., 2015). Suure kõhuõõneoperatsiooni järgset AKI-d esineb 13,4 protsendil patsientidest ja seda seostatakse 126-kordse (95% CI, 6,8–23,4) suurenenud suhtelise riskiga lühiajalise perioperatiivse suremuse tekkeks (O'Connor et al., 2016). AKI esineb pärast 22 protsenti (mediaan) südamekirurgilisi protseduure, millest 3 protsenti nõuavad neeruasendusravi (RRT) (Vandenberghe et al., 2016).

Patsiendid, kellel esineb dialüüsi vajav AKI (AKID), esindavad SA-AKI spektri tõsist lõppu. AKI-D on äge meditsiiniline hädaolukord, mis mõjutab kuni 13 protsenti kriitilises seisundis patsientidest (Hoste et al., 2015). Ligikaudu 50 protsenti AKI-D-ga patsientidest ei ela haiglast väljakirjutamist üle ning veel 7 protsenti ellujäänutest sõltuvad haiglast väljakirjutamise ajal ja pärast seda dialüüsi (Wang et al., 2019). Isegi nende seas, kes jäävad ellu ja kelle puhul dialüüsi saab katkestada, on paljudel uued või raskemadkroonilineneerudhaigus(CKD) ja 2-aastane elulemus alates haiglast väljakirjutamisest AKI-D põdejate seas on hinnanguliselt 45–59 protsenti (Wonnacott et al., 2014).

AKI prognoosimist ja ennetamist operatsioonisisesel perioodil on põhjalikult läbi vaadatud (Gumbert et al., 2020; Meersch et al., 2017). Kuid AKI-ga patsiendi dialüüsi nõue on nende üldise tulemuse oluline kategooriline määraja (Wang et al., 2019; Wonnacott et al., 2014). RRT vajaduse ja sellele järgnevate tulemuste tõenäosuse hindamine AKI diagnoosimise ajal on intensiivitöötajate jaoks oluline väljakutse. See juhtkiri keskendub masinõppe (ML) ja tehisintellekti (AI) rakendamisele suurandmetes, et ennustada tulemusi patsientidel, kes on perioperatiivse perioodi jooksul juba omandanud uue AKI. Arutame praeguste prognoosimisviiside piiranguid pärast AKI väljatöötamist ning ML/AI kasutamise võimalikku rolli ja takistusi tulemuste prognoosimisel.

Praegused lähenemisviisid AKI prognoosimisele ja nende piirangud

Tulemuste ennustamine pärast AKI-d on keeruline ja otsus, kelle kohta alustada RRT-d neerude taastumise või pikaajalise elulemuse prognoosimise eesmärgil, on akuutravi arstide jaoks endiselt väljakutse. Vaatlusuuringud näitavad, et algtaseme hinnanguline glomerulaarfiltratsiooni kiirus (eGFR), proteinuuria, kõrgem vanus ja suhkurtõbi on peamised tegurid, mis on seotud väiksema taastumise tõenäosusega (Wonnacott et al., 2014). Süstemaatiline ülevaade uuringutest, mis üritasid ennustada suremust pärast AKI-d, tõid esile 10 tavalist muutujat, mida sageli ennustusmudelitesse kaasati, nimelt mehaaniline ventilatsioon, vanus, sugu, hüpotensioon, maksapuudulikkus, oliguuria, sepsis/septiline šokk, madal seerumi albumiin, madal tase teadvuse ja madala trombotsüütide arvuga (Ohnuma & Uchino, 2017). Põhjalikus metaanalüüsis, milles vaadeldi kõrvaltoimeid pärast AKI-d, mis hõlmas 82 sobivat uuringut ja 2 017 437 patsienti, kellest 255 264 (12,7 protsenti) haigestus AKI, meessugu, algtaseme eGFR, südame isheemiatõbi ja diabeet olid vahelise seose mõju modifikaatorid. AKI ja suremus. Nagu arvata võis, on lõppstaadiumis ohtneerudhaigus (ESKD)suurenes AKI raskusastme suurenemisega, nagu ka ICU suremus. Suurim suremusrisk oli patsientidel, kellele tehti angiograafiaprotseduure ja 3. staadiumi AKI-ga (vt et al., 2019). Hiljutine metaanalüüs tuvastas, et AKI kestus oli sõltumatult seotud pikaajalise suremuse, kardiovaskulaarsete sündmuste ja kroonilise neeruhaiguse 3. staadiumi arenguga (Mehta et al., 2018).

Tulemuste ennustamine patsientidel, kellel on perioperatiivsel perioodil tekkinud uus AKI, on oluline väljakutse. See kajastub selle valdkonna uuringute piiratud arvus (Srisawat et al., 2011; Lee et al., 2019; Hoste jt, 2020). Esmaste tulemuste prognoosimine võib hõlmata nende inimeste prognoosimist, kes vajavad dialüüsi, jäävad dialüüsist sõltuvaks või vabanevad dialüüsi vajadusest. Teisesed tulemused võivad hõlmata 90-päevasuremust või 1- ja 2-aastast suremust. Väikeses uuringus (n=76), milles hinnati peamiselt uriini biomarkerite rolli paranemise prognoosimisel, leiti, et Charlsoni madalam kaasuvusindeks ja Acute Physiological and Chronic Health Evaluation II (APACHE-II) skoor ennustasid paranemist. Biomarkeridneerudvigastusuuritudselles uuringus olid uriini neutrofiilide želatinaasiga seotud lipokaliin (uNGAL), uriini hepatotsüütide kasvufaktor (UHF), uriini tsüstatiin C (tsüstatiin C), IL-18 ja neutrofiilide želatinaasiga seotud lipokaliini/maatriksi metalloproteinaas{{3} } (Srisawat et al., 2011). Teises uuringus (n=2 214) AKI-D patsientidega Kaiser Permanente Põhja-California elektroonilise tervisekaardi (EHR) süsteemis tuletati ennustusmudel, kasutades vanust, kroonilist maksahaigust, ravieelset kroonilise neeruhaiguse staadiumit ja hemoglobiini kontsentratsiooni prognoosimiseks. neerufunktsiooni taastumise tõenäosus (Lee et al., 2019). Hiljuti võrreldi tulevases, rahvusvahelises vaatlusuuringus CC motiivi kemokiini ligandi 14 (CCL14), AKI uudse biomarkeri, püsiva 3. staadiumi AKI (KDIGO) ennustavat jõudlust väljakujunenud biomarkeritega. Võrdlusrühma kuulusid tsüstatiin C, proenkefaliin, NGAL ja LFABP. Uriini CCL14 AUC (0,83) oli oluliselt suurem kui kõigi teiste biomarkerite puhul. See uudne AKI biomarker võib olla kasulik tulevastesse mudelitesse kaasamiseks, et ennustada AKI-st taastumist (Hoste et al., 2020; Zarbock et al., 2018). RenalRIP uuringus uuriti preoperatiivset dickkopf-3 (DKK3), neerutuubulite stressimarkerit, kasulikkust AKI ja hilisemate riskiga patsientide operatsioonieelsel tuvastamisel.neerudfunktsioonikaotus733 südamekirurgia patsiendil. DKK3 kuni kreatiniini kontsentratsioonid üle 471 pg/mg olid seotud oluliselt suurema AKI (OR 1,94, 95 protsenti CI 1,08–3,47, p=0,026), püsiva neerufunktsiooni häire (OR 6,67, 1,67–26,61) riskiga. , p=0·0072) ja dialüüsisõltuvus (OR 13,57, 1,50–122,77, p=0,020) pärast 90 päeva möödumist DKK3-ga võrreldes kreatiniini kontsentratsioonini 471 pg/mg või vähem (Schunk et al., 2019).

SA-AKI võib tuleneda hüpovoleemiast, anesteetikumide põhjustatud vasodilatatsioonist ja positiivse rõhuga ventilatsioonist, mis võib kahjustada venoosset tagasivoolu. Muud tegurid, mis on seotud perioperatiivse AKI suurenenud esinemissagedusega, hõlmavad intraperitoneaalset avatud kirurgiat, intraoperatiivset vereülekannet, hemodünaamilist ebastabiilsust, intraoperatiivseid diureetikume ja vasopressorite kasutamist (Meersch et al., 2017).

Tehisintellekt ja masinõpe AKI prognoosimiseks

Tehisintellektil (AI) on tervishoiumaailmas pikk ajalugu. MYCIN oli üks väga varajasemaid ekspertsüsteeme vereinfektsioonide raviks (Shortliffe & Buchanan, 1975). 1970ndatel välja töötatud süsteemil oli võimalus mitte ainult diagnoosida, vaid ka selgitada selle arutluskäiku. Süsteemi kompetentsi tase oli sarnane inimspetsialistide omaga. Ekspertsüsteeme kasutatakse ka tänapäeval, kuid neid kirjeldatakse tavaliselt reeglitel põhinevate süsteemide või ärireeglite süsteemidena ning need on tavaliselt käsitsi koostatud, kirjutades selgesõnalisi reegleid, mis hõlmavad domeenispetsiifilisi ekspertteadmisi (Zhao et al., 2010). Reeglipõhiste tehisintellektisüsteemide suur eelis on see, et nad suudavad oma mõttekäike inimkasutajatele hõlpsasti selgitada ning neid on lihtne parandada, värskendada ja hooldada.

Üks olulisemaid arenguid tehisintellektis viimase 20 aasta jooksul on olnud kiired edusammud masinõppes ja eriti süvaõppes (LeCun et al., 2015). Need on muutunud tervishoius kõige sagedamini kasutatavateks AI-tehnikateks, mis näitavad erakordset täpsust. Näiteks on teatatud nahavähi eksperttaseme klassifikatsioonist (Esteva et al., 2017).

AI olemuslik keerukus võib aga takistada arstidel uute tehisintellektil põhinevate tööriistadega usaldusväärse suhte loomisel. Klassikalised lineaarsed järeldusmeetodid, nagu mitme muutujaga regressioon, jäävad arstide jaoks väga atraktiivseks. Teadmised sisendi, väljundi ja „kõike vahepealse” kohta hõlbustavad läbipaistvust, reprodutseeritavust ning annavad ekspertarvamuse pooldajatele kindlustunde, kuidas prognoosid sündisid. Hoolimata süvaõppepõhiste lähenemisviiside täpsusest on tehisintellekti laiemale tunnustamisele tervishoius väljakutseks osutunud suutmatus kasutajatele oma põhjendusi selgitada. See on viinud seletatava AI või XAI otsinguni. Selgitav tehisintellekt, mille puhul on ennustuse aluseks oleva mehhanismi kasutajatele teatud nähtavus, võib olla eriti väärtuslik, et aidata arstidel kasutada AI/ML tööriistade väljundeid (Fellous et al., 2019). Huvitav AI tehnika, mida on hiljuti kasutatud kroonilise neeruhaiguse puhul, on juhtumipõhine arutluskäik (CBR) (Elkader et al., 2018; Tahmasebian et al., 2016; Vásquez-Morales jt, 2019). CBR-il on selles seadistuses palju selgeid eeliseid. Esiteks ei püüa tehnika juhtumite ajaloo põhjal üldistada. Selle asemel tehakse praeguse juhtumi klassifikatsioon või tulevaste tulemuste ennustus minevikus kogetud sarnaste juhtumite põhjal. See on loomulik lähenemine kogemuste rakendamisele: kliiniline vaade hetkeolukorrale põhineb ajaloolisel kogemusel. Seetõttu saavutatakse mitmeid huvitavaid omadusi: diagnoose on lihtne seletada, kuna sarnased juhtumid, mis esindavad praeguse juhtumi puhul rakendatud tarkust, annavad otseselt seletuse aluse (Doyle et al., 2004). Sarnaste juhtumite arv ja muud praeguse juhtumi naabruskonna omadused annavad kindlustunde. Juhtumipõhised ajaloolised juhtumid ise annavad ettekujutuse süsteemi kompetentsusest, samuti saab kergesti hinnata, kas uued kogemused annavad süsteemile lisaväärtust (Smiti & Elouedi, 2014). Kuigi CBR-süsteemidel võib olla sama täpsuse tase ja neid saab sageli konkreetsetes seadetes võrrelda süvaõppesüsteemidega, muudab nende läbipaistvus need kliiniliste otsuste tegemisel eriti huvitavaks, eriti kuna need automatiseerivad põhiliselt meditsiiniekspertide loomulikke mõttekäike.

Tehisintellekti kui prognostilise vahendi täieliku potentsiaali realiseerimiseks tuleb ületada mitmeid takistusi. Loomulik takistus pikisuunaliste uuringute läbiviimisel, et ennustada tulemusi pärast väljakujunenud postoperatiivset AKI-d, on järelkontrolli kadumine operatsioonijärgsel perioodil. Täpsemalt, inimtasandil, nimelt perioperatiivsel arstil, kaob jälgimine, aga ka järgnevatel operatsioonijärgsetel tundidel ja päevadel, kui tekib subkliiniline neerukahjustus, kaob andmete kogumine. Operatsioonisisene periood peaks kujutama endast ideaalset stsenaariumi, et koguda arvukalt granuleeritud andmeid, mida saaks omakorda kasutada, esiteks AKI ennustamiseks ja mis on siin olulisem, et koostada tulemuste prognoosimudelid pärast AKI diagnoosimist. Vaatamata anesteesia teabehaldussüsteemide (AIMS) laialdasemale kasutamisele patsientide demograafiliste andmete, krooniliste haigusseisundite, anesteesia ja kirurgiliste protseduuride, farmakoloogiliste sekkumiste ja füsioloogiliste suundumuste sisestamiseks, on endiselt vähe uuringuid, mis kasutavad neid andmeid, et parandada patsiendile osutatavat ravi. patsiendid, kellel tekib perioperatiivne AKI. Uuringute vähesuse üks põhjus on see, et praegune AKI diagnostikastandard, nimeltNeerHaigusParanemineGlobaalneTulemused(KDIGO) juhistel on perioperatiivsel perioodil AKI diagnoosimisel piirangud. Uriini eritumine väheneb sageli intraoperatiivsel perioodil stressi, hüpovoleemia või isegi anesteesiaga seotud aldosterooni ja vasopressiini vabanemise tõttu (Hahn & Warner, 2010). KDIGO-t kasutavates uuringutes jäetakse sageli uriinieritus kriteeriumina välja, kuna ei ole võimalik andmeid täpselt koguda (Churpek et al., 2020). Seerumi kreatiniinisisalduse tõusu kasutamine diagnostilise kriteeriumina on samuti problemaatiline, sest enne kui täheldatakse seerumi kreatiniinisisalduse suurenemist, on vajalik > 50% neerufunktsiooni kaotus. Lisaks kulub neerukahjustuse ja sellega seotud seerumi kreatiniinisisalduse tõusu vahele hinnanguliselt ligikaudu 48 tundi. See nähtus kujutab endast neerude pimeala (Uchino, 2010). Aja jooksul võime näha neerukahjustuse ja taastumise uudsete biomarkerite, näiteks CCL14, rolli kaasamist tulevastesse süvaõppe lähenemisviisidesse. Siiski, kui patsient ei viibi hoolduskeskkonnas, mis võimaldab pidevat elektroonilist jälgimist, kaob suur hulk potentsiaalselt kasulikke andmepunkte.

Teine takistus täpsete ennustusmudelite väljatöötamisel on raskused perioperatiivse perioodi andmete ühendamisel intensiivraviosakonna/kirurgilise osakonnaga ning seejärel nefroloogia ambulatoorsete patsientide ja kroonilise dialüüsi osakondadega. Üksikasjaliku operatsioonieelse hinnangu andmete liitmine operatsioonijärgse perioodi ülitäpsusega andmetega, et hõlmata ka operatsioonijärgne hooldusüksus, võimaldaks vähemalt arvutada AKI esinemissagedust ja neeruasendusravi alustamise sagedust. Andmehoidlad, mis kogusid tähenduslikke lõpp-punkte, sealhulgas neid, mis jõuavad lõppfaasineeruhaigus (ESKD)90 päeva ja suremuse andmed võimaldaksid sisulist pikisuunalist andmete analüüsi. Kuid isegi laialt levinud EHR-i ajastul tuginevad neerutulemuste uuringud selle valdkonna ekspertide diagrammiülevaatele (Wonnacott et al., 2014).

AI-lahenduste kasutuselevõtul kliinilises keskkonnas on ka teisi väljakutseid. Kuigi kirjanduses keskendutakse enamasti maksimaalse diagnostilise täpsuse saavutamisele, tuleb arvestada ka paljude muude küsimustega. Nende hulka kuuluvad, kuid mitte ainult, tundlikkus (õigesti klassifitseeritud positiivsete osakaal), spetsiifilisus (õigesti klassifitseeritud negatiivsete osakaal), valenegatiivsete tulemuste määr, valepositiivsuse määr, otsuse läbipaistvus ja seletatavus. AI kasutamine AKI põhjusliku raja mis tahes punktis võib võimaldada varasemaid sekkumisi, mis võivad parandada patsiendi tulemust. Kuna mudel õpib pidevalt uutest andmetest, oleks ideaalne eesmärk ajakohastatud riskide stratifitseerimine ja prognoosimine. Seda on püütud kasutada elektroonilisi hoiatusi, et käivitada nefroloogi konsultatsioon, mille tulemused on erinevad (Colpaet et al., 2012; Wilson et al., 2021). Arvestades aga madalat esinemissagedust (< 10%)="" of="" aki="" and="" the="" potential="" of="" a="" low="" positive="" predictive="" value,="" such="" alerts="" may="" result="" in="" stretching="" the="" capacity="" of="" nephrology="" services="" beyond="" what="" is="" reasonable,="" offsetting="" any="" potential="" benefit="" to="" patients="" (goldstein="" &="" bedoya,="" 2020).="" looking="" beyond="" the="" perioperative="" period,="" it="" is="" possible="" that="" ai="" can="" help="" guide="" appropriate="" outpatient="" follow-up="" and="" monitor="" for="" long-term="" renal="" recovery="" after="" aki.="" recent="" literature="" reports="" of="" patients="" who="" recover="" from="" an="" aki="" event="" suggest="" that="" these="" patients="" have="" an="" increased="" risk="" of="" developing="" chronic="" kidney="" disease="" (farooqi="" &="" dickhout,="" 2016;="" forni="" et="" al.,="" 2017).="" this="" raises="" the="" prospect="" that="" an="" ai-led="" system="" could="" be="" used="" to="" follow="" up="" on="" aki="">

Erinevates tervishoiusüsteemides ja jurisdiktsioonides on uute ennustamismudelite testimine või valideerimine keeruline. Tulenevalt andmete rahvusvahelise edastamise piirangutest ja isikuandmete kaitse üldmäärusest (REGULATS (EL), nd). Näiteks on uuringud sageli piiratud ühe seadusandliku jurisdiktsiooniga. Mitme jurisdiktsiooniga elektroonilisi tervishoiudokumente (EHR) hõlmavaid teadusuuringuid takistavad koordineerimise, eetilise nõusoleku, erinevad protokollid ja kulud. Traditsiooniliselt on olnud teatav vastumeelsus avatud lähtekoodiga andmebaaside loomise ja hooldamise suhtes. See kehtib eriti tervishoiusüsteemide kohta, kus EHR-id loodi peamiselt haiguste kodeerimiseks ja arveldusteenusteks. On arusaadav vastumeelsus neid andmeid laialdaselt kättesaadavaks teha. Viimase kümnendi jooksul on hakatud kasutama identifitseerimata avatud andmehoidlaid (Martin et al., 2014). Need võimaldavad kliiniliste uuringute käigus saadud andmeid uuesti analüüsida, uuesti tõlgendada või koondada. See, mil määral saab üksikasjalikke andmeid kergesti hinnata, on kliinilise meditsiini tehisintellektiuuringute arendamiseks ülioluline. Laias laastus on avatud andmetel teatud eelised: esiteks pakuvad need läbipaistvust, mis võimaldab auditit ja vastutust; see hõlmab kehva tulemuslikkuse kõrvalekallete tuvastamist, mis võivad vajada sihipärast sekkumist. Teiseks pakuvad need hindamatut ressurssi, mis võib innovatsiooni edendada. Avaandmete kättesaadavus võib anda kodanikele võimaluse ning toetada arste, raviteenuse pakkujaid ja teadlasi paremate otsuste tegemisel, uute arengute esilekutsumisel ja ebatõhususe tuvastamisel, tagades samal ajal isikuandmete konfidentsiaalsuse. Intensiivravi kogukond on hakanud välja töötama avatud juurdepääsuga (suures osas struktureeritud) andmekogumeid, mis pakuvad AI-le rikkalikku potentsiaali, mida kasutatakse kliinilistes küsimustes (Johnson et al., 2016; Li jt, 2019; Faltys et al., 2020; AmsterdamUMCbd, nd ) ". On ülimalt oluline, et tervishoiuasutustes kasutatavad tehisintellektisüsteemid oleksid usaldusväärsed. Euroopa Komisjon on palju töötanud inimkeskse tehisintellekti idee kallal ja selle kõrgetasemeline tehisintellekti eksperdirühm töötas välja usaldusväärsete eetikajuhiste komplekti. AI.

Kust need suured andmehoidlad saaksid oma andmed ja millised näeksid välja masinõppe algoritmid? Mis tahes algoritmi jõudlus on sama hea kui imputeeritud andmed. Masinõppemeetodite edukaks rakendamiseks kliiniliste tulemuste ennustamiseks ja kõigi ülalkirjeldatud neerukahjustuse raja asjakohastel ajahetkedel kogutud andmete kogumiseks ja liitmiseks on vaja. Spetsiifiline perioperatiivsele AKI-le peaks andmehaldussüsteem koguma ja liitma puhtaid andmeid operatsioonieelsetest hindamiskliinikutest, intraoperatiivse anesteesia teabehaldussüsteemidest (AIMS), operatsioonijärgsest raviosakondadest, intensiivraviosakondadest ja haiglate EHR-idest kuni neeruambulatoorsete patsientideni ja kaasa arvatud. kroonilise dialüüsi üksused. Praegu suudaksid selliseid üksikasjalikke andmeid koguda ainult kõige arenenumad tervishoiuvõrgud. Näide AI kasutamisest sündmuse, kuigi AKI esinemise prognoosimiseks, on Tomasevi jt ulatuslik uuring. USA VA tervishoiusüsteemi 192 haiglast. 703 782 patsiendi andmeid kasutades jagasid uurijad andmed koolituse (80 protsenti vaatlustest), valideerimise (5 protsenti), kalibreerimise (5 protsenti) ja testimise (10 protsenti) komplektideks. Koolituskomplekti kasutati pakutud mudelite koolitamiseks. Valideerimiskomplekti kasutati mudelite iteratiivseks täiustamiseks, valides parimad mudeliarhitektuurid ja hüperparameetrid. Valideerimiskomplekti valitud mudelid kalibreeriti kalibreerimiskomplektis uuesti, et riskiprognooside kvaliteeti veelgi parandada. Parimaid mudeleid hinnati lõpuks sõltumatus testimiskomplektis, mida mudeli väljatöötamise ajal ei peetud. Kasutades korduva närvivõrgu (RNN) variatsioone, ennustab mudel 55,8 protsenti kõigist statsionaarsetest ägeda neerukahjustuse episoodidest ja 90,2 protsenti kõigist ägedatest neerukahjustustest, mis nõuavad järgnevat dialüüsi manustamist, mille läbimisaeg on kuni 48 tundi ja suhe. 2 valehoiatust iga tõese hoiatuse kohta (Tomašev et al., 2019). Sarnast kontseptsiooni kasutades võib olla võimalik ennustada neid, kellel on vähem tõenäoline, et pärast AKI väljatöötamist on soodne tulemus (elus 90 päeva pärast), suunata hoolduseesmärgid ümber ja esmalt loobuda dialüüsist. AI tervishoius, kasutades elektroonilisi andmeid ja neerukahjustuse biomarkereid, võib samuti võimaldada AKI-ga patsientide elektroonilist fenotüüpimist. See oleks analoogne neerukahjustuse bioloogilise passiga. Näiteks võib andmete rühmitamine tuvastada AKI patsientide alarühmi, kes vajavad tõenäolisemalt pikaajalist dialüüsi või kellel on piiratud ellujäämise eelised. Jällegi võivad need teadmised aidata saavutada teadlikumaid hoolduseesmärke.

AI roll kliiniliste otsuste toetamisel AKI-ga patsientide ravimisel

On võimalik ette kujutada, et AI/ML-tööriist võib toetada kliinilist otsust standardse haldusalgoritmi mis tahes harupunktis. Üldiselt, mida rohkem allavoolu algoritmi rakendatakse, seda rohkem on saadaval patsiendipõhiseid andmeid, kuid üldise tulemuse mõjutamiseks on vähem tõhusaid meetmeid. Seega on ennustuse sihtmärgi küsimuse valimine oluline. Kui AKI on tuvastatud (näiteks KDIGO kriteeriumide põhjal) (KDIGO, nd) operatsioonijärgselt, võib ennustusmudel olla suunatud mitmele olulisele "toimivale" sihtmärgile: haiglasisene suremus, dialüüsi vajadus, krooniline neeruhaigus.

Laias laastus peab arst konkreetse patsiendiga seotud otsust, mille tulemuseks on patsiendile kasulik tegevussuund, "heaks otsuseks". See esitab neli olulist väljakutset (või piirangut) mis tahes ennustusvahendile, mida kaalutakse otsuste toetamiseks:

1. Kas ennustatav üksus on kliiniliselt tähendusrikas (kas see oleks patsiendi jaoks oluline?)

2. Kas uus tööriist parandab praegu olemasolevaid vahendeid otsuse tegemiseks?

3. Kas prognoositavat tulemust on võimalik olemasolevate ravimeetodite või sekkumiste abil muuta?

4. Kas ennustaja asjakohasus (ennustusindeksite väärtused) selle patsiendi jaoks on kvantifitseeritud?

Need piirangud seavad olulised piirangud AI/ML-põhise tulemuste ennustamise väärtusele patsientidel, kes kannatavad AKI all operatsioonijärgsel perioodil. Praegu kasutatavad AKI ja 'tulemuse' määratlused on ebaühtlased. Lihtsad lineaarsed meetodid, mida rakendatakse tagasihoidliku suurusega andmekogumitele, pakuvad juba paljudele huvirühma kuuluvatele patsientidele häid ennustusindekseid (vähemalt riski äärmuslikele patsientidele) (Ohnuma & Uchino, 2017). Piiratud on ka sekkumised, mida tuleb teha või keelduda näiteks suremusriskist lähtuvalt (Gaudry et al., 2016; New Engl J Med, 2020).

Kuidas tuleks kliinilisse otsusesse lisada tehisintellektil põhinev tööriist, mis hindab tulevase kliinilise sündmuse kalduvust? Praegune tervishoiumudel paneb kliiniku (või kliinilise meeskonna) kindla vastutuse tegevuskava soovitamise eest. Arst assimileerib erinevatest allikatest pärinevat teavet (nt laboratoorsed väärtused, meditsiinilised pildid, füüsiline läbivaatus, konsulteerimine patsiendi ja pereliikmetega), et pakkuda "ekspertarvamust". See mudel eeldab, et arst püüab tegutseda patsiendi parimates huvides (mitte tingimata selleks, et tagada olemasolevate ressursside optimaalne kasutamine), et arst on ekspert, kelle hinnang erinevate raviviiside tegelikule toimumisele on hea, eelkõige see, et see on parem kui hinnang, mille „mitteekspert” patsient teeks sama teabega kättesaadavaks ja et patsient usaldab arsti (Stewart, 1995). Uue tehisintellekti ennustava tööriista kasutuselevõtt tekitab selle mudeliga seoses küsimusi: kas tööriist asendab osa otsustustegevusest arsti arvamust; kas arst kaasab tehisintellekti tööriista väljundi oma mõtlemisse teise kasuliku teabena, mida tuleb assimileerida; kas tehisintellekti tööriist muudab nii arsti kui ka patsiendi oma tulemuste saamiseks "mitteeksperdiks" ja viib patsiendi seeläbi otsuse langetamisel kesksemasse või aktiivsemasse rolli? Kui kahe protsessi teooria kirjeldab täpselt, kuidas arst otsuseni jõuab, kasutab ta koos intuitsiooni (esimene tee) ja kriitilist mõtlemist (teine ​​tee) (Croskerry, 2017). Iga uudse tööriista ennustav väärtus teavitab viimast; on võimalik, et intuitiivne kaalumine või rõhuasetus (esimene viis), mida arst väärtusele rakendab, on kallutatud, mis põhineb tema arusaamal uudsest ennustustööriistast või sellesse uskumisest.

Järeldus

Reaalajas täpsete prognoosimisvahendite pakkumine kliiniliste otsuste toetamiseks on AKI uurimistöös paljulubav valdkond. Ajal, mil perioperatiivsel perioodil diagnoositakse uus AKI, on saadaval palju andmeid, mida saab kasutada huvipakkuva kliinilise tulemuse ennustamiseks. Tulemuse täpne prognoosimine sel hetkel võib anda teavet individuaalsete kliiniliste otsuste tegemiseks ja parandada AKI loomuliku ajaloo mõistmist. Pole raske ette kujutada kasulikku koostoimet mudelite vahel, mis ennustavad uut AKI-d, ja mudelite vahel, mis ennustavad tulemusi pärast AKI-d. Patsiendid saavad kasu, kui suudetakse ületada märkimisväärsed andmetele juurdepääsu, regulatiivsed, eetilised ja inimtegurid.