Potenciál umelej inteligencie na predpovedanie klinických výsledkov u pacientov, ktorí počas perioperačného obdobia získali akútne poškodenie obličiek

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

Barry J. Kelly a kol

Abstraktné

Akútne poškodenie obličiek (AKI)je bežným medicínskym problémom u hospitalizovaných pacientov na celom svete, ktorý môže mať negatívne fyziologické, sociálne a ekonomické dôsledky. Spomedzi pacientov prijatých na JIS s AKI malo viac ako 40 percent pred prijatím buď elektívny alebo urgentný chirurgický zákrok. Predpovedanie výsledkov po AKI je ťažké a rozhodnutie o tom, kto začať RRT s cieľom zotavenia obličiek alebo predpovedať prínos z dlhodobého prežitia, stále predstavuje výzvu pre lekárov akútnej starostlivosti. S rastúcim využívaním elektronických zdravotných záznamov môže umelá inteligencia umožniť pooperačnú prognózu AKI a pomôcť pri klinickom manažmente. Pacienti budú mať úžitok, ak budú údaje ľahko dostupné a ak sa dajú prekonať regulačné, etické a ľudské faktory.

výhody púštnej cistanche a dialýza

Veľkosť klinického problému

Akútne poškodenie obličiek (AKI)je bežným medicínskym problémom u hospitalizovaných pacientov na celom svete, ktorý môže mať negatívne fyziologické, sociálne a ekonomické dôsledky.Akútnaobličkyzranenieodhaduje sa, že komplikuje 12 percent hospitalizácií v USA, čo priamo ovplyvňuje viac ako 2 milióny pacientov ročne (Al-Jaghbeer et al., 2018). Podľa Národného programu zlepšovania kvality chirurgie Americkej akadémie chirurgov sa komplikácie spôsobené AKI vyskytujú približne v 1 percente všetkých prípadov všeobecnej chirurgie, čo vedie k osemnásobnému zvýšeniu 30-dennej úmrtnosti zo všetkých príčin (Kheterpal et al., 2009). Štúdia AKI-Epi ukázala, že 57,3 percent všetkých pacientov na JIS malo AKI počas 1-týždňového obdobia. Medzi pacientmi na JIS s AKI malo 44 percent pred prijatím elektívnu (29 percent) alebo urgentnú operáciu (15 percent) (Hoste et al., 2015). AKI po veľkej abdominálnej operácii sa vyskytuje u 13,4 percenta pacientov a je spojená s 12{19}}násobným (95 percent CI, 6,8 – 23,4) zvýšeným relatívnym rizikom krátkodobej perioperačnej mortality (O'Connor et al., 2016). AKI sa vyskytuje po 22 percentách (medián) kardiochirurgických zákrokov, pričom 3 percentá vyžadujú renálnu substitučnú terapiu (RRT) (Vandenberghe et al., 2016).

Pacienti, ktorí trpia AKI vyžadujúcou dialýzu (AKID), predstavujú vážny koniec spektra SA-AKI. AKI-D je akútna lekárska pohotovosť, ktorá postihuje až 13 percent kriticky chorých pacientov (Hoste et al., 2015). Približne 50 percent pacientov s AKI-D neprežije prepustenie z nemocnice a ďalších 7 percent preživších zostane závislých na dialýze v čase prepustenia z nemocnice aj po ňom (Wang et al., 2019). Dokonca aj medzi tými, ktorí prežili au ktorých je možné dialýzu prerušiť, mnohí majú nové alebo závažnejšiechronickýobličkychoroba(CKD) a 2-ročné prežitie od prepustenia z nemocnice medzi pacientmi s AKI-D sa odhaduje na 45 – 59 percent (Wonnacott et al., 2014).

Predikcia a prevencia AKI počas intraoperačného obdobia boli podrobne preskúmané (Gumbert a kol., 2020; Meersch a kol., 2017). Požiadavka pacienta s AKI na dialýzu však predstavuje dôležitý kategorický determinant ich celkového výsledku (Wang et al., 2019; Wonnacott et al., 2014). Odhad pravdepodobnosti potreby RRT a následných výsledkov v čase, keď je AKI diagnostikovaný, predstavuje pre intenzivistov dôležitú výzvu. Tento úvodník sa zameriava na aplikáciu strojového učenia (ML) a umelej inteligencie (AI) na veľké údaje s cieľom predpovedať výsledky u pacientov, ktorí už počas perioperačného obdobia získali nové AKI. Budeme diskutovať o obmedzeniach súčasných prístupov k prognostike po vývoji AKI a potenciálnej úlohe a bariérach používania ML/AI na účely predikcie výsledku.

Súčasné prístupy k prognostike AKI a ich obmedzenia

Predpovedanie výsledkov po AKI je ťažké a rozhodnutie o tom, kto začať RRT s cieľom zotavenia obličiek alebo predpovedať prínos z dlhodobého prežitia, stále predstavuje výzvu pre lekárov akútnej starostlivosti. Pozorovacie štúdie naznačujú, že základná odhadovaná rýchlosť glomerulárnej filtrácie (eGFR), proteinúria, vyšší vek a diabetes mellitus sú kľúčové faktory spojené s menšou pravdepodobnosťou zotavenia (Wonnacott et al., 2014). Systematický prehľad štúdií pokúšajúcich sa predpovedať úmrtnosť po AKI zdôraznil 10 bežných premenných, ktoré boli často zahrnuté v predikčných modeloch, a to mechanická ventilácia, vek, pohlavie, hypotenzia, zlyhanie pečene, oligúria, sepsa/septický šok, nízka hladina sérového albumínu, nízka hladina vedomia a nízkeho počtu krvných doštičiek (Ohnuma & Uchino, 2017). V komplexnej metaanalýze zameranej na nežiaduce udalosti po AKI, ktorá zahŕňala 82 vhodných štúdií a 2 017 437 pacientov, z ktorých 255 264 (12,7 percenta) vyvinulo AKI, boli mužské pohlavie, východisková hodnota eGFR, ischemická choroba srdca a diabetes modifikátormi účinku asociácie medzi AKI a úmrtnosť. Ako sa dalo očakávať, riziko v konečnom štádiuobličkychoroba (ESKD)so zvýšenou závažnosťou AKI, rovnako ako úmrtnosť na JIS. Najväčšiemu riziku úmrtnosti boli vystavení pacienti podstupujúci angiografické procedúry a pacienti s AKI v štádiu 3 (pozri et al., 2019). Nedávna metaanalýza zistila, že trvanie AKI bolo nezávisle spojené s dlhodobou mortalitou, kardiovaskulárnymi príhodami a rozvojom CKD štádia 3 (Mehta et al., 2018).

Predpovedanie výsledkov u pacientov, u ktorých sa vyvinul nový AKI v perioperačnom období, predstavuje významnú výzvu. To sa odráža v obmedzenom počte štúdií v tejto oblasti (Srisawat a kol., 2011; Lee a kol., 2019; Hoste a kol., 2020). Predikcia primárnych výsledkov môže zahŕňať predpoveď tých, ktorí budú potrebovať dialýzu, zostanú závislí na dialýze alebo sa oslobodia od požiadavky na dialýzu. Sekundárne výsledky môžu zahŕňať 90-dennú úmrtnosť alebo 1- a 2-ročnú úmrtnosť. Malá štúdia (n=76), primárne hodnotiaca úlohu močových biomarkerov pri prognózovaní zotavenia, zistila, že nižší Charlsonov index komorbidity a skóre akútneho fyziologického a chronického hodnotenia zdravia II (APACHE-II) boli prediktormi zotavenia. Biomarkeryobličkyzraneniepreskúmanév tejto štúdii boli lipokalín spojený s neutrofilnou želatinázou v moči (uNGAL), rastový faktor hepatocytov v moči (UHF), cystatín C v moči (cystatín C), IL-18 a lipokalín/matrix metaloproteináza spojená s neutrofilnou želatinázou{{3} } (Srisawat a kol., 20}11). Ďalšia štúdia (n=2 214) pacientov s AKI-D v systéme elektronických zdravotných záznamov Kaiser Permanente v severnej Kalifornii (EHR) odvodila predikčný model pomocou veku, chronického ochorenia pečene, štádia CKD pred vstupom a koncentrácie hemoglobínu na predpovedanie pravdepodobnosť obnovenia funkcie obličiek (Lee et al., 2019). Nedávno prospektívna, nadnárodná, pozorovacia štúdia porovnávala prediktívny výkon pre perzistentnú fázu 3 AKI (KDIGO) chemokínového ligandu 14 s motívom CC (CCL14), nového biomarkera pre AKI, so zavedenými biomarkermi. Do porovnávacej skupiny boli zahrnuté cystatín C, proenkefalín, NGAL a LFABP. AUC (0,83) pre CCL14 v moči bola významne väčšia ako pre všetky ostatné biomarkery. Tento nový biomarker AKI môže byť užitočný na začlenenie do budúcich modelov na predpovedanie zotavenia z AKI (Hoste a kol., 2020; Zarbock a kol., 2018). V štúdii RenalRIP sa predoperačný dickkopf-3 (DKK3), marker renálneho tubulárneho stresu, skúmal na užitočnosť pri predoperačnej identifikácii pacientov s rizikom AKI a následnejobličkyfunkciustratuu 733 kardiochirurgických pacientov. Koncentrácie DKK3 až kreatinínu vyššie ako 471 pg/mg boli spojené s výrazne vyšším rizikom AKI (OR 1,94, 95 percent CI 1,08–3,47, p=0,026), pretrvávajúcou renálnou dysfunkciou (OR 6,67, 1,67–26,61 , p=0·0072) a závislosť na dialýze (OR 13,57, 1,50–122,77, p=0,020) po 90 dňoch v porovnaní s DKK3 s koncentráciami kreatinínu 471 pg/mg alebo menej (Schunk et al., 2019).

SA-AKI môže byť výsledkom hypovolémie, vazodilatácie v dôsledku anestetík a ventilácie pozitívnym tlakom, ktorá môže zhoršiť venózny návrat. Ďalšie faktory spojené so zvýšenou mierou perioperačnej AKI zahŕňajú intraperitoneálnu otvorenú operáciu, intraoperačné krvné transfúzie, hemodynamickú nestabilitu, intraoperačné diuretiká a použitie vazopresorov (Meersch et al., 2017).

Umelá inteligencia a strojové učenie pre prognózu AKI

Umelá inteligencia (AI) má vo svete zdravotníctva dlhú históriu. MYCIN bol jedným z prvých expertných systémov na liečbu infekcií krvi (Shortliffe & Buchanan, 1975). Systém vyvinutý v 70. rokoch 20. storočia mal schopnosť nielen diagnostikovať, ale mohol tiež vysvetliť svoje uvažovanie. Systém mal úroveň kompetencií podobnú úrovni ľudských špecialistov. Expertné systémy sa dnes stále používajú, ale zvyknú sa označovať ako systémy založené na pravidlách alebo systémy obchodných pravidiel a zvyčajne sa vytvárajú ručne napísaním explicitných pravidiel, ktoré zachytávajú expertné znalosti špecifické pre danú doménu (Zhao et al., 2010). Hlavnou výhodou systémov umelej inteligencie založených na pravidlách je, že môžu ľahko vysvetliť svoje uvažovanie ľudským používateľom a dajú sa ľahko opraviť, aktualizovať a udržiavať.

Jedným z najvýznamnejších pokrokov v oblasti AI za posledných 20 rokov bol rýchly pokrok v oblasti strojového učenia a najmä hlbokého učenia (LeCun et al., 2015). Tieto sa stali jednou z najbežnejšie používaných techník AI v zdravotníctve, ktoré preukazujú mimoriadnu úroveň presnosti. Uvádza sa napríklad klasifikácia rakoviny kože na expertnej úrovni (Esteva et al., 2017).

Inherentná zložitosť AI však môže pre lekárov predstavovať prekážku pri vytváraní dôveryhodného vzťahu s novými nástrojmi založenými na AI. Klasické lineárne metódy inferencie, ako je multivariabilná regresia, zostávajú pre lekárov veľmi atraktívne. Znalosť vstupu, výstupu a „všetkého medzi tým“ uľahčuje transparentnosť, reprodukovateľnosť a uisťuje zástancov odborného názoru o tom, ako projekcie vznikli. Napriek presnosti prístupov založených na hĺbkovom učení sa nedostatočná schopnosť vysvetliť používateľom svoje úvahy ukázala ako výzva pre širšie akceptovanie AI v zdravotnej starostlivosti. To viedlo k hľadaniu Explainable AI alebo XAI. Vysvetliteľná AI, v ktorej sa používateľom poskytuje určitá viditeľnosť mechanizmu, ktorý je základom predikcie, môže byť obzvlášť cenná pri podpore lekárov pri používaní výstupov nástrojov AI/ML (Fellous et al., 2019). Zaujímavou technikou AI, ktorá sa nedávno aplikovala na chronické ochorenie obličiek, je uvažovanie na základe prípadov (CBR) (Elkader a kol., 2018; Tahmasebian a kol., 2016; Vásquez-Morales a kol., 2019). CBR má v tomto prostredí mnoho zreteľných výhod. Po prvé, technika sa nesnaží zovšeobecňovať z histórie prípadov. Namiesto toho sa klasifikácia súčasného prípadu alebo predikcia budúcich výsledkov robí na základe podobných prípadov, ktoré sa vyskytli v minulosti. Ide o prirodzený prístup k aplikovaniu skúseností: klinický pohľad na súčasnú situáciu je založený na historickej skúsenosti. Preto sa dosiahne množstvo zaujímavých vlastností: diagnózy sa dajú ľahko vysvetliť, pretože podobné prípady, ktoré predstavujú múdrosť aplikovanú na aktuálny prípad, priamo poskytujú základ pre vysvetlenie (Doyle et al., 2004). Počet podobných prípadov a ďalšie vlastnosti okolia aktuálneho prípadu poskytujú mieru spoľahlivosti. Samotné historické prípady založené na prípadoch poskytujú predstavu o kompetencii systému a možno tiež ľahko posúdiť, či nové skúsenosti pridávajú hodnotu systému (Smiti & Elouedi, 2014). Zatiaľ čo systémy CBR môžu mať rovnakú úroveň presnosti a môžu byť často porovnateľné so systémami hlbokého učenia v konkrétnych nastaveniach, ich transparentnosť ich robí obzvlášť zaujímavými pri klinickom rozhodovaní, najmä preto, že v podstate automatizujú prirodzené uvažovanie lekárskych odborníkov.

Existuje množstvo prekážok, ktoré treba prekonať, aby sa naplno využil potenciál AI ako prognostického nástroja. Neodmysliteľnou prekážkou pri uskutočňovaní longitudinálnych štúdií na predpovedanie výsledkov po preukázanej pooperačnej AKI je strata sledovania v pooperačnom období. Konkrétne ide o stratu sledovania na úrovni človeka, menovite perioperačného lekára, ale aj stratu zachytenia dát v následných pooperačných hodinách a dňoch, kedy dôjde k subklinickému poškodeniu obličiek. Peroperačné obdobie by malo predstavovať ideálny scenár na zachytenie množstva zrnitých údajov, ktoré by sa zase mohli použiť, po prvé na predpovedanie AKI, a tu má väčší význam na zostavenie modelov predikcie výsledku pre výsledok po diagnostikovaní AKI. Napriek rozšírenejšiemu používaniu systémov na riadenie informácií o anestézii (AIMS) na zadávanie demografických údajov pacientov, chronických zdravotných stavov, anestézie a chirurgických zákrokov, farmakologických intervencií a fyziologických trendov, stále existuje nedostatok štúdií, ktoré využívajú tieto údaje na zlepšenie poskytovanej starostlivosti. pacientov, u ktorých sa vyvinie perioperačná AKI. Jedným z dôvodov tohto nedostatku výskumu je, že súčasný diagnostický štandard pre AKI, menoviteObličkyChorobaZlepšovanieglobálnevýsledky(KDIGO) guidelines má obmedzenia v diagnostike AKI v perioperačnom období. Výdaj moču sa počas intraoperačného obdobia často znižuje v dôsledku uvoľňovania aldosterónu a vazopresínu spojeného so stresom, hypovolémiou alebo dokonca anestéziou (Hahn & Warner, 2010). Štúdie využívajúce KDIGO často vynechávajú výstup moču ako kritérium kvôli neschopnosti presne zachytiť údaje (Churpek et al., 2020). Použitie zvýšenia sérového kreatinínu ako diagnostického kritéria je tiež problematické, pretože pred pozorovaním výsledného zvýšenia sérového kreatinínu je potrebná > 50-percentná strata funkcie obličiek. Okrem toho existuje odhadovaný časový odstup približne 48 hodín medzi poškodením obličiek a súvisiacim zvýšením sérového kreatinínu. Tento jav predstavuje renálnu „slepú škvrnu“ (Uchino, 2010). Časom môžeme vidieť úlohu nových biomarkerov poškodenia obličiek a zotavenia, ako je napríklad CCL14, začlenených do budúcich prístupov k hlbokému učeniu. Ak sa však pacient nenachádza v prostredí starostlivosti, ktoré umožňuje nepretržité elektronické monitorovanie, bude sa naďalej strácať veľké množstvo potenciálne užitočných údajových bodov.

Ďalšou bariérou vývoja presných predikčných modelov je náročnosť spájania údajov z perioperačného obdobia na JIS/chirurgické oddelenie a následne do nefrologických ambulancií a chronických dialyzačných jednotiek. Zlúčenie údajov z podrobného predoperačného hodnotenia s vernými údajmi z perioperačného obdobia so zahrnutím jednotky pooperačnej starostlivosti by prinajmenšom umožnilo výpočet incidencie AKI a frekvencie začatia renálnej substitučnej terapie. Dátové úložiská, ktoré zbierali zmysluplné koncové body, vrátane tých, ktoré postupujú do koncovej fázyochorenie obličiek (ESKD)po 90 dňoch a údaje o úmrtnosti by umožnili zmysluplnú longitudinálnu analýzu údajov. Avšak aj v ére rozšírených EHR sa výskum výsledkov obličiek opiera o prehľad grafov odborníkmi v tejto oblasti (Wonnacott et al., 2014).

Zavádzanie riešení AI do klinického prostredia má aj ďalšie výzvy. Aj keď sa pozornosť v literatúre zameriava na dosiahnutie maximálnej presnosti diagnostiky, je potrebné zvážiť mnoho ďalších problémov. Tieto zahŕňajú, ale nie sú obmedzené na citlivosť (podiel správne klasifikovaných pozitívnych výsledkov), špecifickosť (podiel správne klasifikovaných negatívnych), počet falošne negatívnych výsledkov, počet falošne pozitívnych výsledkov, transparentnosť a vysvetliteľnosť rozhodnutia. Použitie AI v akomkoľvek bode kauzálnej dráhy AKI môže umožniť skoršie intervencie, ktoré by mohli zlepšiť výsledok pacienta. Keďže model sa neustále učí z nových údajov, ideálnym cieľom by bola časovo aktualizovaná stratifikácia rizika a prognóza. Pokúsili sa o to pomocou elektronických upozornení na spustenie konzultácie od nefrológa so zmiešanými výsledkami (Colpaet a kol., 2012; Wilson a kol., 2021). Avšak vzhľadom na nízku mieru výskytu (< 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="">

Existujú výzvy na testovanie alebo overovanie nových modelov predpovedí v rôznych systémoch zdravotnej starostlivosti a jurisdikciách. Z dôvodu obmedzení medzinárodného prenosu údajov a všeobecného nariadenia o ochrane údajov (NARIADENIE (EÚ), nd). napríklad štúdie sú často obmedzené na jedinú legislatívnu jurisdikciu. Výskum zahŕňajúci elektronické záznamy zdravotnej starostlivosti (EHR) s viacerými jurisdikciami brzdia problémy v oblasti koordinácie, etického súhlasu, rozdielnych protokolov a nákladov. Tradične existovala určitá neochota vytvárať a udržiavať open-source databázy. Platí to najmä v zdravotníckych systémoch, v ktorých boli EZZ vytvorené predovšetkým na kódovanie chorôb a fakturačné služby. Existuje pochopiteľná neochota sprístupniť tieto údaje širokej verejnosti. V poslednom desaťročí došlo k posunu smerom k deidentifikovaným úložiskám otvorených údajov (Martin et al., 2014). Tieto môžu umožniť opätovnú analýzu, opätovnú interpretáciu alebo agregáciu údajov generovaných klinickými štúdiami. Pre rozvoj výskumu AI v klinickej medicíne je rozhodujúca miera, do akej možno granulárne údaje ľahko posúdiť. Vo všeobecnosti Open Data ponúkajú určité výhody: po prvé, poskytujú transparentnosť, ktorá umožňuje audit a zodpovednosť; to zahŕňa identifikáciu odľahlých hodnôt slabého výkonu, ktoré si môžu vyžadovať cielený zásah. Po druhé, poskytujú neoceniteľný zdroj, ktorý môže viesť k inováciám. Dostupnosť otvorených údajov môže umožniť občanom a podporiť lekárov, poskytovateľov starostlivosti a výskumníkov, aby mohli robiť lepšie rozhodnutia, podnietiť nový vývoj a identifikovať neefektívnosť a zároveň zabezpečiť, že osobné údaje zostanú dôverné. Komunita kritickej starostlivosti začala vyvíjať súbory údajov s otvoreným prístupom (vo veľkej miere štruktúrované), ktoré ponúkajú bohatý potenciál pre AI aplikované na klinické otázky (Johnson a kol., 2016; Li a kol., 2019; Faltys a kol., 2020; AmsterdamUMCbd, nd. ) ". Je mimoriadne dôležité, aby systémy umelej inteligencie používané v zdravotníckom prostredí boli dôveryhodné. Európska komisia intenzívne pracovala na koncepcii umelej inteligencie zameranej na človeka a jej skupina odborníkov na vysokej úrovni pre umelú inteligenciu vypracovala súbor etických usmernení pre dôveryhodných AI.

Odkiaľ by tieto veľké dátové úložiská dostávali svoje dáta a ako by vyzerali algoritmy strojového učenia? Výkon každého algoritmu je len taký dobrý, ako sú imputované údaje. Na úspešnú aplikáciu techník strojového učenia na predpovedanie klinických výsledkov by bola potrebná schopnosť zachytiť a zlúčiť všetky údaje získané v príslušných časových bodoch pozdĺž dráhy poškodenia obličiek, ako je opísané vyššie. Špecifický pre perioperačné AKI, systém správy údajov by musel zachytávať a spájať čisté údaje z kliník predoperačného hodnotenia, systémov riadenia informácií o intraoperačnej anestézii (AIMS), jednotiek pooperačnej starostlivosti, jednotiek intenzívnej starostlivosti a nemocničných EHR až po ambulantných pacientov s obličkami a vrátane chronické dialyzačné jednotky. V súčasnosti by len tie najpokročilejšie siete zdravotnej starostlivosti mali schopnosť zachytiť takéto granulované údaje. Príkladom použitia AI na predpovedanie udalosti, aj keď výskytu AKI, je veľká štúdia Tomaseva et al. zo 192 nemocníc v rámci VA Health System, USA. Pomocou údajov od 703 782 pacientov výskumníci rozdelili údaje do tréningových (80 percent pozorovaní), validácie (5 percent), kalibrácie (5 percent) a testovania (10 percent). Tréningová súprava slúžila na trénovanie navrhnutých modelov. Validačná sada sa použila na opakované zlepšovanie modelov výberom najlepších architektúr modelov a hyperparametrov. Modely vybrané na validačnom súbore boli prekalibrované na kalibračnom súbore, aby sa ďalej zlepšila kvalita predpovedí rizika. Najlepšie modely boli nakoniec vyhodnotené na nezávislom testovacom súbore, ktorý bol počas vývoja modelu zadržaný. Pomocou variácií rekurentnej neurónovej siete (RNN) model predpovedá 55,8 percenta všetkých hospitalizovaných epizód akútneho poškodenia obličiek a 90,2 percenta všetkých akútnych poranení obličiek, ktoré si vyžadujú následné podanie dialýzy, s dobou prípravy až 48 hodín a pomerom z 2 falošných upozornení na každé skutočné upozornenie (Tomašev et al., 2019). Použitím podobného konceptu môže byť možné predpovedať tých, ktorí majú menšiu pravdepodobnosť priaznivého výsledku (nažive 90 dní) po vývoji AKI, v prvom rade presmerovať ciele starostlivosti a odmietnuť dialýzu. Umelá inteligencia v zdravotníctve, ktorá využíva kombináciu elektronických údajov a biomarkerov poškodenia obličiek, môže tiež umožniť elektronické fenotypovanie pacientov s AKI. To by bolo analogické s biologickým pasom poškodenia obličiek. Napríklad zoskupovanie údajov môže identifikovať podskupiny pacientov s AKI, u ktorých je pravdepodobnejšie, že budú vyžadovať dlhodobú dialýzu alebo majú obmedzené výhody prežitia. Tieto znalosti by opäť mohli pomôcť informovanejším cieľom starostlivosti.

Úloha AI pre podporu klinického rozhodovania pri liečbe pacientov s AKI

Je možné si predstaviť, že nástroj AI/ML by mohol podporiť klinické rozhodnutie v akomkoľvek „odvetvovom bode“ v štandardnom algoritme riadenia. Vo všeobecnosti platí, že čím ďalej je algoritmus aplikovaný, tým väčšie množstvo údajov špecifických pre pacienta je k dispozícii, ale existuje menej účinných opatrení na ovplyvnenie celkového výsledku. Preto je dôležitý výber otázky cieľa predikcie. Po identifikovaní AKI (napríklad na základe kritérií KDIGO) (KDIGO, nd) po operácii by sa predikčný model mohol zamerať na niekoľko dôležitých „akčných“ cieľov: nemocničnú mortalitu, požiadavku na dialýzu, CKD.

Vo všeobecnosti by lekár považoval rozhodnutie týkajúce sa jednotlivého pacienta, ktoré vedie k postupu, ktorý je pre pacienta prínosom, za „dobré rozhodnutie“. To predstavuje štyri dôležité výzvy (alebo obmedzenia) pre akýkoľvek predikčný nástroj, ktorý sa zvažuje na podporu rozhodovania:

1. Má predpovedaná entita klinický význam (záleží na tom pacientovi?)

2. Zlepšil sa nový nástroj v súčasnosti dostupnými prostriedkami na dosiahnutie rozhodnutia?

3. Je možné predpovedaný výsledok zmeniť pomocou existujúcich terapií alebo intervencií?

4. Bola kvantifikovaná relevantnosť (hodnoty prediktívnych indexov) prediktora pre tohto pacienta?

Tieto obmedzenia predstavujú dôležité obmedzenia hodnoty predikcie výsledkov vedenej AI/ML pre pacientov, ktorí trpia AKI v pooperačnom období. V súčasnosti používané definície AKI a „výsledok“ nie sú jednotné. Jednoduché lineárne metódy aplikované na súbory údajov skromnej veľkosti už ponúkajú dobré prediktívne indexy pre mnohých pacientov v záujmovej skupine (aspoň pre tých, ktorí smerujú k extrémom rizika) (Ohnuma & Uchino, 2017). Intervencie, ktoré sa majú vykonať alebo zamietnuť na základe rizika úmrtnosti (napríklad), sú tiež obmedzené (Gaudry a kol., 2016; New Engl J Med, 2020).

Ako by sa mal nástroj založený na AI, ktorý odhaduje náchylnosť k budúcej klinickej udalosti, začleniť do klinického rozhodnutia? Súčasný model zdravotnej starostlivosti kladie zodpovednosť za odporúčanie postupu pevne na lekára (alebo klinický tím). Lekár prijíma informácie z rôznych zdrojov (napr. laboratórne hodnoty, lekárske snímky, fyzikálne vyšetrenie, konzultácie s pacientom a rodinnými príslušníkmi), aby ponúkol „odborný pohľad“. Tento model predpokladá, že lekár sa snaží konať v najlepšom záujme pacienta (nie nevyhnutne preto, aby zabezpečil optimálne využitie dostupných zdrojov), že klinický lekár je odborník, ktorého odhad toho, čo sa skutočne stane v dôsledku rôznych liečebných postupov, je dobrý, najmä, že je nadradený odhadu, ktorý by sprístupnil „neodborný“ pacient s rovnakými informáciami a že pacient lekárovi dôveruje (Stewart, 1995). Zavedenie nového prediktívneho nástroja AI vyvoláva otázky týkajúce sa tohto modelu: nahrádza tento nástroj názor lekára v časti rozhodovacej činnosti? začleňuje lekár výstup nástroja AI do svojho myslenia ako ďalšiu užitočnú informáciu, ktorú treba asimilovať; robí nástroj AI na účely svojho výstupu z lekára aj pacienta „neodborníka“, a tým posúva pacienta do centrálnejšej alebo aktívnejšej úlohy pri prijímaní rozhodnutia? Ak teória duálneho procesu presne opisuje, ako klinický lekár dospeje k rozhodnutiu, potom využíva intuíciu (prvá cesta) a kritické myslenie (druhá cesta) spoločne (Croskerry, 2017). Prediktívna hodnota každého nového nástroja bude informovať tento nový nástroj; je možné, že intuitívne váženie alebo zdôraznenie (prvá cesta), ktoré lekár aplikuje na hodnotu, bude podliehať zaujatosti na základe jej chápania alebo viery v nový nástroj predikcie.

Záver

Poskytovanie presných prognostických nástrojov v reálnom čase na podporu klinického rozhodovania predstavuje sľubnú oblasť výskumu AKI. V bode, v ktorom je diagnostikovaná nová AKI v perioperačnom období, je k dispozícii veľa údajov, ktoré by sa dali použiť na predpovedanie požadovaného klinického výsledku. Presná predpoveď výsledku v tomto bode by mohla informovať o individuálnych klinických rozhodnutiach a zlepšiť pochopenie prirodzenej histórie AKI. Nie je ťažké predstaviť si užitočnú interakciu medzi modelmi, ktoré predpovedajú nové AKI a tými, ktoré predpovedajú výsledky po AKI. Pacienti budú mať úžitok, ak sa podarí prekonať značné problémy v oblasti prístupu k údajom, regulácie, etiky a ľudských faktorov.