Potencijal umjetne inteligencije za predviđanje kliničkih ishoda kod pacijenata koji su zadobili akutnu ozljedu bubrega tijekom perioperativnog razdoblja

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

Barry J. Kelly, et al

Sažetak

Akutna ozljeda bubrega (AKI)je čest medicinski problem u hospitaliziranih pacijenata diljem svijeta koji može rezultirati negativnim fiziološkim, društvenim i ekonomskim posljedicama. Među pacijentima koji su primljeni na intenzivnu njegu s AKI, više od 40 posto imalo je elektivnu ili hitnu operaciju prije prijema. Predviđanje ishoda nakon AKI je teško i odluka o tome kome započeti NRT s ciljem oporavka bubrega ili predvidjeti dugoročnu korist u preživljenju još uvijek predstavlja izazov za liječnike u akutnoj skrbi. Uz sve veću upotrebu elektroničkih zdravstvenih zapisa, umjetna inteligencija može omogućiti prognozu postoperativne AKI i pomoći u kliničkom liječenju. Pacijenti će imati koristi ako se podacima može lako pristupiti i ako se izazovi regulatornog, etičkog i ljudskog čimbenika mogu prevladati.

desert cistanche koristi i dijaliza

Veličina kliničkog problema

Akutna ozljeda bubrega (AKI)je čest medicinski problem u hospitaliziranih pacijenata diljem svijeta koji može rezultirati negativnim fiziološkim, društvenim i ekonomskim posljedicama.Akutnabubregozljedaprocjenjuje se da komplicira 12 posto bolničkih prijema u SAD-u, izravno utječući na više od 2 milijuna pacijenata godišnje (Al-Jaghbeer et al., 2018). Prema Nacionalnom programu poboljšanja kirurške kvalitete Američkog koledža kirurga, komplikacije uzrokovane AKI pojavljuju se u približno 1 posto svih slučajeva opće kirurgije, što rezultira osmerostrukim povećanjem 30-dnevne smrtnosti od svih uzroka (Kheterpal et al., 2009). Studija AKI-Epi pokazala je da je 57,3 posto svih pacijenata na intenzivnoj njezi imalo AKI tijekom 1-tjednog razdoblja. Među pacijentima na intenzivnoj njezi s AKI, 44 posto je imalo elektivnu (29 posto) ili hitnu operaciju (15 posto) prije prijema (Hoste et al., 2015). AKI nakon velike abdominalne operacije pojavljuje se u 13,4 posto pacijenata i povezana je s 126-puta (95 posto CI, 6,8-23,4) povećanim relativnim rizikom od kratkoročne perioperativne smrtnosti (O'Connor et al., 2016). AKI se javlja nakon 22 posto (medijan) kardiokirurških zahvata s 3 posto koji zahtijevaju nadomjesnu bubrežnu terapiju (RRT) (Vandenberghe et al., 2016.).

Pacijenti koji imaju AKI koji zahtijeva dijalizu (AKID) predstavljaju teški kraj spektra SA-AKI. AKI-D je akutno hitno medicinsko stanje koje pogađa do 13 posto kritično bolesnih pacijenata (Hoste i sur., 2015.). Otprilike 50 posto pacijenata s AKI-D neće preživjeti otpust iz bolnice, a daljnjih 7 posto preživjelih ostat će ovisni o dijalizi u vrijeme otpusta iz bolnice i nakon toga (Wang et al., 2019.). Čak i među onima koji prežive i kod kojih se dijaliza može prekinuti, mnogi imaju nove ili težekroničnibubregbolest(CKD) i 2-godišnje preživljenje od trenutka otpuštanja iz bolnice među onima s AKI-D procjenjuje se na 45-59 posto (Wonnacott i sur., 2014.).

Predviđanje i prevencija AKI tijekom intraoperativnog razdoblja opsežno su pregledani (Gumbert i sur., 2020.; Meersch i sur., 2017.). Međutim, potreba bolesnika s AKI za dijalizom predstavlja važnu kategoričku odrednicu ukupnog ishoda (Wang i sur., 2019.; Wonnacott i sur., 2014.). Procjena vjerojatnosti potrebe za NRT i naknadnih ishoda u vrijeme kada se dijagnosticira AKI predstavlja važan izazov za intenziviste. Ovaj uvodnik usredotočen je na primjenu strojnog učenja (ML) i umjetne inteligencije (AI) na velike podatke za predviđanje ishoda kod pacijenata koji su već dobili novi AKI tijekom perioperativnog razdoblja. Raspravljat ćemo o ograničenjima trenutnih pristupa prognoziranju nakon razvoja AKI i potencijalnoj ulozi i preprekama za korištenje ML/AI u svrhu predviđanja ishoda.

Suvremeni pristupi prognozi AKI i njihova ograničenja

Predviđanje ishoda nakon AKI je teško i odluka o tome kome započeti NRT s ciljem oporavka bubrega ili predvidjeti dugoročnu korist u preživljenju još uvijek predstavlja izazov za liječnike u akutnoj skrbi. Opservacijske studije pokazuju da su početna procijenjena stopa glomerularne filtracije (eGFR), proteinurija, starija dob i dijabetes melitus ključni čimbenici povezani s manjom vjerojatnošću oporavka (Wonnacott i sur., 2014.). Sustavni pregled studija koje pokušavaju predvidjeti smrtnost nakon AKI istaknuo je 10 uobičajenih varijabli koje su često bile uključene u modele predviđanja, a to su mehanička ventilacija, dob, spol, hipotenzija, zatajenje jetre, oligurija, sepsa/septički šok, nizak serumski albumin, niska razina svijesti i nizak broj trombocita (Ohnuma & Uchino, 2017). U opsežnoj meta-analizi koja je proučavala nuspojave nakon AKI koja je uključivala 82 prihvatljive studije i 2 017 437 pacijenata, od kojih je 255 264 (12,7 posto) razvilo AKI, muški spol, početni eGFR, koronarna bolest srca i dijabetes bili su modifikatori učinka povezanosti između AKI i smrtnost. Kao što bi se i očekivalo, rizik od krajnjeg stadijabubregbolest (ESKD)povećavao se s povećanom težinom AKI, kao i smrtnost u intenzivnoj njezi. Pacijenti podvrgnuti angiografskim postupcima i oni sa stadijem 3 AKI bili su izloženi najvećem riziku od smrtnosti (See et al., 2019). Nedavna meta-analiza utvrdila je da je trajanje AKI bilo neovisno povezano s dugotrajnom smrtnošću, kardiovaskularnim događajima i razvojem CKD stadija 3 (Mehta et al., 2018.).

Predviđanje ishoda u bolesnika koji su razvili novi AKI u perioperativnom razdoblju predstavlja značajan izazov. To se ogleda u ograničenom broju studija u ovom području (Srisawat i sur., 2011.; Lee i sur., 2019.; Hoste i sur., 2020.). Predviđanje primarnih ishoda može uključivati ​​predviđanje onih kojima će biti potrebna dijaliza, ostati ovisni o dijalizi ili biti oslobođeni potrebe za dijalizom. Sekundarni ishodi mogu uključivati ​​90-dnevnu smrtnost ili 1- i 2-godišnju smrtnost. Mala studija (n=76), prvenstveno procjenjujući ulogu urinarnih biomarkera u predviđanju oporavka, otkrila je da su niži Charlsonov indeks komorbiditeta i Acute Physiological and Chronic Health Evaluation II (APACHE-II) rezultat bili prediktori oporavka. Biomarkeri odbubregozljedaistraživaou ovoj studiji bili su lipokalin povezan s neutrofilnom želatinazom (uNGAL), čimbenik rasta hepatocita u mokraći (UHF), cistatin C (cistatin C), IL-18 i lipokalin/metaloproteinaza matriksa povezana s neutrofilnom želatinazom{{3} } (Srisawat i sur., 2011). Drugo istraživanje (n=2 214) pacijenata s AKI-D u Kaiser Permanente sustavu elektroničkog zdravstvenog kartona Sjeverne Kalifornije (EHR) izvelo je model predviđanja koristeći dob, kroničnu bolest jetre, stadij CKD prije prijema i koncentraciju hemoglobina za predviđanje vjerojatnost oporavka bubrežne funkcije (Lee i sur., 2019.). Nedavno je prospektivna, multinacionalna, opservacijska studija usporedila prediktivni učinak za perzistentni stadij 3 AKI (KDIGO) kemokinskog liganda 14 (CCL14), novog biomarkera za AKI, s utvrđenim biomarkerima. U skupinu za usporedbu bili su cistatin C, proenkefalin, NGAL i LFABP. AUC (0,83) za urinarni CCL14 bio je značajno veći nego za sve druge biomarkere. Ovaj novi biomarker AKI mogao bi biti koristan za uključivanje u buduće modele za predviđanje oporavka od AKI (Hoste i sur., 2020.; Zarbock i sur., 2018.). U ispitivanju RenalRIP ispitana je korisnost prijeoperativnog dickkopf-3 (DKK3), markera bubrežnog tubularnog stresa, u preoperativnoj identifikaciji pacijenata s rizikom od AKI i naknadnihbubregfunkcijagubitakkod 733 kardiokirurška bolesnika. Koncentracije DKK3 i kreatinina veće od 471 pg/mg bile su povezane sa značajno većim rizikom za AKI (OR 1,94, 95 posto CI 1,08–3,47, p=0.026), perzistentnu bubrežnu disfunkciju (OR 6,67, 1,67–26,61 , p=0·0072), i ovisnost o dijalizi (OR 13,57, 1,50–122,77, p=0.020) nakon 90 dana u usporedbi s DKK3 do koncentracije kreatinina od 471 pg/mg ili manje (Schunk et. al., 2019).

SA-AKI može biti posljedica hipovolemije, vazodilatacije zbog anestetika i ventilacije s pozitivnim tlakom što može oslabiti venski povratak. Drugi čimbenici povezani s povećanim stopama perioperativne AKI uključuju intraperitonealnu otvorenu operaciju, intraoperativne transfuzije krvi, hemodinamsku nestabilnost, intraoperativne diuretike i upotrebu vazopresora (Meersch i sur., 2017.).

Umjetna inteligencija i strojno učenje za prognozu AKI

Umjetna inteligencija (AI) ima dugu povijest u svijetu zdravstva. MYCIN je bio jedan od vrlo ranih stručnih sustava za liječenje infekcija krvi (Shortliffe & Buchanan, 1975.). Razvijen 1970-ih, sustav je imao sposobnost ne samo postavljanja dijagnoza, već je mogao i objasniti svoje razmišljanje. Sustav je imao razinu kompetencije sličnu onoj ljudskih stručnjaka. Ekspertni sustavi i danas su u upotrebi, ali se obično opisuju kao sustavi temeljeni na pravilima ili sustavi poslovnih pravila, a obično su ručno izrađeni pisanjem eksplicitnih pravila koja obuhvaćaju stručno znanje specifično za domenu (Zhao et al., 2010.). Glavna prednost sustava umjetne inteligencije koji se temelje na pravilima jest to što mogu lako objasniti svoje razmišljanje ljudskim korisnicima i lako ih je ispraviti, ažurirati i održavati.

Jedan od najznačajnijih razvoja umjetne inteligencije u proteklih 20 godina bio je brzi napredak u strojnom učenju, a posebno dubinskom učenju (LeCun et al., 2015.). One su postale među najčešće korištenim tehnikama umjetne inteligencije u zdravstvu, pokazujući izvanredne razine točnosti. Na primjer, prijavljena je klasifikacija raka kože na razini stručnjaka (Esteva i sur., 2017.).

Međutim, inherentna složenost umjetne inteligencije može predstavljati prepreku kliničarima da razviju pouzdan odnos s novim alatima koji se temelje na umjetnoj inteligenciji. Klasične linearne metode zaključivanja kao što je multivarijabilna regresija i dalje su vrlo privlačne kliničarima. Poznavanje ulaza, izlaza i 'svega između' olakšava transparentnost, ponovljivost i uvjerava zagovornike stručnog mišljenja o tome kako su projekcije nastale. Unatoč točnosti pristupa temeljenih na dubokom učenju, nedostatak mogućnosti da korisnicima objasne svoje razloge pokazao se kao izazov širem prihvaćanju umjetne inteligencije u zdravstvu. To je dovelo do potrage za Objašnjivim AI ili XAI. Objašnjiva umjetna inteligencija u kojoj se korisnicima pruža neka vidljivost mehanizma koji je u osnovi predviđanja može biti osobito vrijedna u podršci kliničarima da koriste rezultate alata AI/ML (Fellous et al., 2019.). Zanimljiva tehnika umjetne inteligencije koja je nedavno primijenjena na kroničnu bubrežnu bolest je rasuđivanje na temelju slučaja (CBR) (Elkader i sur., 2018.; Tahmasebian i sur., 2016.; Vásquez-Morales i sur., 2019.). CBR ima mnogo jasnih prednosti u ovoj postavci. Prvo, tehnika ne pokušava generalizirati iz povijesti bolesti. Umjesto toga, klasifikacija trenutnog slučaja ili predviđanje budućih ishoda se vrši na temelju sličnih slučajeva koji su se dogodili u prošlosti. Ovo je prirodan pristup primjeni iskustva: klinički pogled na trenutnu situaciju temelji se na povijesnom iskustvu. Time se postiže niz zanimljivih svojstava: dijagnoze se lako objašnjavaju budući da slični slučajevi koji predstavljaju mudrost primijenjenu na trenutni slučaj izravno daju osnovu za objašnjenje (Doyle et al., 2004.). Broj sličnih slučajeva i druga svojstva susjedstva trenutnog slučaja pružaju određenu mjeru povjerenja. Sami povijesni slučajevi temeljeni na slučajevima daju predodžbu o kompetentnosti sustava, a također se lako može procijeniti dodaju li nova iskustva sustavu vrijednost (Smiti & Elouedi, 2014.). Dok CBR sustavi mogu imati iste razine točnosti i često se mogu usporediti sa sustavima dubinskog učenja u određenim postavkama, njihova transparentnost čini ih posebno zanimljivima u donošenju kliničkih odluka, posebno jer u biti automatiziraju prirodno razmišljanje medicinskih stručnjaka.

Postoji niz prepreka koje se moraju prevladati kako bi se ostvario puni potencijal umjetne inteligencije kao prognostičkog alata. Inherentna prepreka provođenju longitudinalnih studija za predviđanje ishoda nakon utvrđene postoperativne AKI je gubitak praćenja u postoperativnom razdoblju. Konkretno, postoji gubitak praćenja na ljudskoj razini, odnosno perioperativnog liječnika, ali i gubitak prikupljanja podataka u kasnijim postoperativnim satima i danima kada se dogodi subklinička bubrežna ozljeda. Intraoperativno razdoblje trebalo bi predstavljati idealan scenarij za prikupljanje obilja detaljnih podataka koji bi se zauzvrat mogli koristiti, prvo za predviđanje AKI i od veće važnosti za izradu modela predviđanja ishoda za ishod nakon dijagnosticiranja AKI. Unatoč sve raširenijoj upotrebi sustava za upravljanje informacijama o anesteziji (AIMS) za unos demografskih podataka pacijenata, kroničnih medicinskih stanja, anestezije i kirurških zahvata, farmakoloških intervencija i fizioloških trendova, i dalje postoji mali broj studija koje koriste te podatke za poboljšanje skrbi koja se pruža bolesnika koji razviju perioperativni AKI. Jedan od razloga za ovu oskudnost istraživanja je taj što trenutni dijagnostički standard za AKI, naimeBubregBolestPoboljšanjeGlobalnoIshodi(KDIGO) smjernice imaju ograničenja u dijagnosticiranju AKI u perioperativnom razdoblju. Količina urina često se smanjuje tijekom intraoperativnog razdoblja, zbog oslobađanja aldosterona i vazopresina povezanih sa stresom, hipovolemijom ili čak anestezijom (Hahn & Warner, 2010.). Studije koje koriste KDIGO često izostavljaju izlučivanje urina kao kriterij zbog nemogućnosti točnog prikupljanja podataka (Churpek i sur., 2020.). Korištenje porasta kreatinina u serumu kao dijagnostičkog kriterija također je problematično jer je potreban > 50 postotni gubitak bubrežne funkcije prije nego što se primijeti rezultirajući porast kreatinina u serumu. Dodatno, postoji procijenjeni vremenski odmak od približno 48 sati između bubrežnog inzulta i povezanog povećanja kreatinina u serumu. Ovaj fenomen predstavlja bubrežnu 'slijepu pjegu' (Uchino, 2010.). S vremenom ćemo možda vidjeti ulogu novih biomarkera bubrežne ozljede i oporavka, kao što je CCL14, koji će biti uključeni u buduće pristupe dubokom učenju. Međutim, osim ako se pacijent ne nalazi u okruženju za njegu koje omogućuje kontinuirano elektroničko praćenje, velike količine potencijalno korisnih podatkovnih točaka nastavit će se gubiti.

Još jedna prepreka za razvoj točnih modela predviđanja je poteškoća u spajanju podataka iz perioperativnog razdoblja u ICU/kirurški odjel i nakon toga u nefrološke ambulante i jedinice za kroničnu dijalizu. Spajanje podataka iz detaljne prijeoperativne procjene s podacima visoke vjernosti iz intraoperativnog razdoblja kako bi se uključila jedinica za postoperativnu njegu omogućilo bi u najmanju ruku izračun incidencije AKI i učestalosti započinjanja nadomjesne bubrežne terapije. Spremišta podataka koja su prikupila značajne krajnje točke, uključujući one koji napreduju do završne fazebolest bubrega (ESKD)nakon 90 dana, a podaci o mortalitetu omogućili bi smislenu longitudinalnu analizu podataka. Međutim, čak iu eri široko rasprostranjenih EHR-ova, istraživanje bubrežnog ishoda oslanja se na pregled karata od strane stručnjaka na tom području (Wonnacott i sur., 2014.).

Postoje i drugi izazovi za uvođenje AI rješenja u kliničko okruženje. Iako se fokus u literaturi uglavnom usmjerava na postizanje maksimalne dijagnostičke točnosti, postoje mnoga druga pitanja koja treba razmotriti. To uključuje, ali nije ograničeno na osjetljivost (udio ispravno klasificiranih pozitivnih rezultata), specifičnost (udio ispravno klasificiranih negativnih rezultata), stopu lažno negativnih rezultata, stopu lažno pozitivnih rezultata, transparentnost i objašnjivost odluke. Korištenje AI u bilo kojoj točki duž uzročnog puta AKI može omogućiti ranije intervencije koje bi mogle poboljšati bolesnikov ishod. Budući da model neprestano uči iz novih podataka, idealan cilj bi bila vremenski ažurirana stratifikacija rizika i predviđanje. To je pokušano korištenjem elektroničkih upozorenja kako bi se pokrenulo konzultacije s nefrologom s mješovitim rezultatima (Colpaet i sur., 2012.; Wilson i sur., 2021.). Međutim, s obzirom na nisku stopu incidencije (< 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="">

Postoje izazovi u testiranju ili potvrđivanju novih modela predviđanja u različitim zdravstvenim sustavima i jurisdikcijama. Zbog ograničenja međunarodnog prijenosa podataka i Opće uredbe o zaštiti podataka (UREDBA (EU), nd). na primjer, studije su često ograničene na jednu zakonodavnu jurisdikciju. Istraživanje koje uključuje elektroničke zdravstvene zapise (EHR-ove) s više jurisdikcija otežano je izazovima u koordinaciji, etičkom pristanku, različitim protokolima i troškovima. Tradicionalno je postojala određena nevoljkost prema stvaranju i održavanju baza podataka otvorenog koda. To je osobito istinito u zdravstvenim sustavima u kojima su EHR-ovi konstruirani prvenstveno za kodiranje bolesti i naplatu usluga. Postoji razumljiva nevoljkost da se ti podaci učine široko dostupnima. U proteklom desetljeću došlo je do pomaka prema deidentificiranim spremištima otvorenih podataka (Martin et al., 2014.). Oni mogu omogućiti da se podaci generirani kliničkim studijama ponovno analiziraju, ponovno tumače ili agregiraju. Stupanj do kojeg se granularni podaci mogu lako procijeniti ključan je za razvoj istraživanja umjetne inteligencije u kliničkoj medicini. Općenito, otvoreni podaci nude određene prednosti: prvo, pružaju transparentnost koja omogućuje reviziju i odgovornost; ovo uključuje identifikaciju outliera lošeg učinka koji mogu zahtijevati ciljanu intervenciju. Drugo, oni pružaju neprocjenjiv resurs koji može potaknuti inovacije. Dostupnost otvorenih podataka može osnažiti građane i podržati kliničare, pružatelje skrbi i istraživače u donošenju boljih odluka, poticanju novih razvoja i prepoznavanju neučinkovitosti, istovremeno osiguravajući da osobni podaci ostanu povjerljivi. Zajednica intenzivne skrbi počela je razvijati (uvelike strukturirane) skupove podataka otvorenog pristupa koji nude bogat potencijal za umjetnu inteligenciju primijenjenu na klinička pitanja (Johnson i sur., 2016.; Li i sur., 2019.; Faltys i sur., 2020.; AmsterdamUMCbd, nd ) ". Od ključne je važnosti da sustavi umjetne inteligencije koji se koriste u zdravstvenom okruženju budu pouzdani. Europska komisija opsežno je radila na ideji umjetne inteligencije usmjerene na čovjeka, a njezina stručna skupina visoke razine za umjetnu inteligenciju razvila je skup Etičkih smjernica za pouzdane AI.

Odakle bi ta velika spremišta podataka dobivala svoje podatke i kako bi izgledali algoritmi strojnog učenja? Izvedba bilo kojeg algoritma dobra je onoliko koliko su dobri podaci koji su imputirani. Za uspješnu primjenu tehnika strojnog učenja za predviđanje kliničkih ishoda bila bi potrebna sposobnost hvatanja i spajanja svih podataka prikupljenih u odgovarajućim vremenskim točkama duž puta oštećenja bubrega, kako je gore opisano. Specifično za perioperativni AKI, sustav upravljanja podacima trebao bi uhvatiti i spojiti čiste podatke iz klinika za prijeoperacijsku procjenu, sustava za upravljanje informacijama o intraoperativnoj anesteziji (AIMS), jedinica za postoperativnu njegu, jedinica intenzivne njege i bolničkih EHR-ova do i uključujući bubrežne ambulantne pacijente i jedinice za kroničnu dijalizu. Trenutačno bi samo najnaprednije mreže za zdravstvenu skrb mogle uhvatiti takve precizne podatke. Primjer upotrebe umjetne inteligencije za predviđanje događaja, iako pojave AKI, velika je studija Tomaseva i sur. od 192 bolnice unutar zdravstvenog sustava VA, SAD. Koristeći podatke od 703.782 pacijenata, istraživači su podijelili podatke u skupove za obuku (80 posto opažanja), validaciju (5 posto), kalibraciju (5 posto) i testiranje (10 posto). Skup za obuku korišten je za obuku predloženih modela. Skup za provjeru valjanosti korišten je za iterativno poboljšanje modela odabirom najboljih arhitektura modela i hiperparametara. Modeli odabrani na skupu za validaciju ponovno su kalibrirani na skupu za kalibraciju kako bi se dodatno poboljšala kvaliteta predviđanja rizika. Najbolji modeli konačno su ocijenjeni na neovisnom testu koji je zadržan tijekom razvoja modela. Koristeći varijacije rekurentne neuralne mreže (RNN), model predviđa 55,8 posto svih bolničkih epizoda akutne ozljede bubrega i 90,2 posto svih akutne ozljede bubrega koja zahtijeva naknadnu primjenu dijalize, s vremenskim trajanjem do 48 sati i omjerom 2 lažne dojave za svaku pravu dojavu (Tomašev i sur., 2019.). Koristeći sličan koncept, moguće je predvidjeti one za koje je manje vjerojatno da će imati povoljan ishod (prežive 90 dana) nakon razvoja AKI, preusmjeriti ciljeve skrbi i uskratiti dijalizu u prvom stupnju. AI u zdravstvu, koristeći kombinaciju elektroničkih podataka i biomarkera oštećenja bubrega, također može omogućiti elektroničko fenotipiziranje bolesnika s AKI. To bi bilo analogno biološkoj putovnici oštećenja bubrega. Na primjer, grupiranje podataka može identificirati podskupine bolesnika s AKI za koje je vjerojatnije da će trebati dugotrajnu dijalizu ili imaju ograničenu korist u preživljavanju. Opet, ovo bi znanje moglo pomoći u bolje informiranim ciljevima skrbi.

Uloga umjetne inteligencije za podršku kliničkom odlučivanju u liječenju bolesnika s AKI

Moguće je zamisliti da bi AI/ML alat mogao podržati kliničku odluku na bilo kojoj 'točki podružnice' u standardnom algoritmu upravljanja. Općenito, što je algoritam primijenjen dalje nizvodno, dostupna je veća količina podataka o pacijentu, ali postoji manje učinkovitih mjera koje bi utjecale na ukupni ishod. Stoga je odabir pitanja cilja predviđanja važan. Nakon što se identificira AKI (na primjer na temelju KDIGO kriterija) (KDIGO, nd) postoperativno, model predviđanja mogao bi ciljati na nekoliko važnih 'mjerljivih' ciljeva: bolničku smrtnost, potrebu za dijalizom, CKD.

Općenito govoreći, kliničar bi smatrao 'dobrom odlukom' odluku koja se odnosi na pojedinog pacijenta koja rezultira postupkom koji je u korist pacijenta. Ovo predstavlja četiri važna izazova (ili ograničenja) za bilo koji alat za predviđanje koji se razmatra kao podrška odlučivanju:

1. Je li entitet koji se predviđa klinički značajan (bi li to bilo važno za pacijenta?)

2. Jesu li trenutno dostupna sredstva za donošenje odluke poboljšana novim alatom?

3. Može li se ishod koji se predviđa promijeniti korištenjem postojećih terapija ili intervencija?

4. Je li relevantnost (vrijednosti prediktivnih indeksa) prediktora za ovog pacijenta kvantificirana?

Ova ograničenja predstavljaju važna ograničenja vrijednosti predviđanja ishoda vođenog AI/ML-om za pacijente koji pate od AKI u postoperativnom razdoblju. Definicije AKI i 'ishoda' koje se trenutno koriste nisu jedinstvene. Jednostavne linearne metode primijenjene na skupove podataka skromne veličine već nude dobre prediktivne indekse za mnoge pacijente u interesnoj skupini (barem one prema ekstremima rizika) (Ohnuma & Uchino, 2017.). Intervencije koje treba poduzeti ili uskratiti na temelju rizika od smrtnosti (na primjer) također su ograničene (Gaudry et al., 2016; New Engl J Med, 2020).

Kako bi alat temeljen na umjetnoj inteligenciji koji procjenjuje sklonost budućeg kliničkog događaja trebao biti uključen u kliničku odluku? Trenutačni model zdravstvene skrbi stavlja odgovornost za preporučivanje smjera djelovanja čvrsto na kliničara (ili klinički tim). Kliničar asimilira informacije iz različitih izvora (npr. laboratorijske vrijednosti, medicinske slike, fizički pregled, konzultacije s pacijentom i članovima obitelji) kako bi ponudio 'stručni pogled'. Ovaj model pretpostavlja da liječnik nastoji djelovati u najboljem interesu pacijenta (ne nužno kako bi osigurao optimalno korištenje raspoloživih resursa), da je kliničar stručnjak čija je procjena o tome što će se stvarno dogoditi kao rezultat različitih tretmana dobra, posebno, da je superiorniji od procjene koju bi dao 'nestručni' pacijent s istom dostupnom informacijom i da pacijent vjeruje kliničaru (Stewart, 1995.). Uvođenje novog alata za predviđanje umjetne inteligencije postavlja pitanja u vezi s ovim modelom: zamjenjuje li alat mišljenje kliničara za dio aktivnosti donošenja odluka; uključuje li kliničar rezultate AI alata u svoje razmišljanje kao još jednu korisnu informaciju koju treba usvojiti; Čini li alat AI i kliničara i pacijenta 'nestručnjacima' za potrebe svojih rezultata i time premješta pacijenta na središnju ili aktivniju ulogu u donošenju odluke? Ako teorija dvostrukog procesa točno opisuje kako kliničar dolazi do odluke, tada on/ona zajedno koristi intuiciju (prvi put) i kritičko mišljenje (drugi put) (Croskerry, 2017.). Prediktivna vrijednost bilo kojeg novog alata će informirati potonje; moguće je da će intuitivno ponderiranje ili naglašavanje (prvi put) koje kliničar primjenjuje na vrijednost biti podložno pristranosti na temelju njezina razumijevanja ili vjerovanja u novi alat za predviđanje.

Zaključak

Pružanje alata za točnu prognozu u stvarnom vremenu kao pomoć u potpori kliničkih odluka predstavlja obećavajuće područje u istraživanju AKI-ja. U trenutku kada se dijagnosticira novi AKI u perioperativnom razdoblju, dostupno je mnogo podataka koji bi se mogli primijeniti na predviđanje kliničkog ishoda od interesa. Točno predviđanje ishoda u tom trenutku moglo bi informirati pojedinačne kliničke odluke i poboljšati razumijevanje prirodne povijesti AKI. Nije teško predvidjeti korisnu interakciju između modela koji predviđaju novi AKI i onih koji predviđaju ishode nakon AKI. Pacijenti će imati koristi ako se mogu prevladati značajni izazovi vezani uz pristup podacima, regulatorni, etički i ljudski čimbenici.