Potenciál umělé inteligence předvídat klinické výsledky u pacientů, kteří během perioperačního období získali akutní poškození ledvin

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

Barry J. Kelly a kol

Abstraktní

Akutní poškození ledvin (AKI)je běžný zdravotní problém u hospitalizovaných pacientů po celém světě, který může mít negativní fyziologické, sociální a ekonomické důsledky. Mezi pacienty přijatými na JIP s AKI mělo více než 40 procent před přijetím buď elektivní nebo urgentní chirurgický zákrok. Předpovídání výsledků po AKI je obtížné a rozhodnutí o tom, kdo zahájit RRT s cílem renálního zotavení nebo predikovat přínos pro dlouhodobé přežití, stále představuje výzvu pro lékaře akutní péče. S rostoucím používáním elektronických zdravotních záznamů může umělá inteligence umožnit pooperační prognózu AKI a napomoci klinickému řízení. Pacienti budou mít prospěch, pokud budou data snadno přístupná a budou moci být překonány regulační, etické a lidské faktory.

výhody pouštní cistanche a dialýza

Velikost klinického problému

Akutní poškození ledvin (AKI)je běžný zdravotní problém u hospitalizovaných pacientů po celém světě, který může mít negativní fyziologické, sociální a ekonomické důsledky.Akutníledvinazraněníodhaduje se, že komplikuje 12 procent hospitalizací v USA a přímo postihuje více než 2 miliony pacientů ročně (Al-Jaghbeer et al., 2018). Podle Národního programu zlepšování kvality chirurgie American College of Surgeons se komplikace způsobené AKI vyskytují přibližně u 1 procenta všech případů všeobecné chirurgie, což vede k osminásobnému zvýšení 30-denní úmrtnosti ze všech příčin (Kheterpal et al., 2009). Studie AKI-Epi ukázala, že 57,3 procenta všech pacientů na JIP mělo AKI během 1-týdenního období. Mezi pacienty na JIP s AKI mělo 44 procent před přijetím elektivní (29 procent) nebo urgentní operaci (15 procent) (Hoste et al., 2015). AKI po velké břišní operaci se vyskytuje u 13,4 procent pacientů a je spojena s 12{19}}násobným (95% CI, 6,8–23,4) zvýšeným relativním rizikem krátkodobé perioperační mortality (O'Connor et al., 2016). AKI se vyskytuje po 22 procentech (medián) kardiochirurgických výkonů, přičemž 3 procenta vyžadují renální substituční terapii (RRT) (Vandenberghe et al., 2016).

Pacienti, kteří trpí AKI vyžadující dialýzu (AKID), představují závažný konec spektra SA-AKI. AKI-D je akutní lékařská pohotovost, která postihuje až 13 procent kriticky nemocných pacientů (Hoste et al., 2015). Přibližně 50 procent pacientů s AKI-D nepřežije propuštění z nemocnice a dalších 7 procent přeživších zůstane závislých na dialýze v době propuštění z nemocnice i po něm (Wang et al., 2019). Dokonce i mezi těmi, kteří přežijí au nichž lze dialýzu přerušit, mnozí mají nové nebo závažnějšíchronickýledvinachoroba(CKD) a 2-roční přežití od okamžiku propuštění z nemocnice u pacientů s AKI-D se odhaduje na 45–59 procent (Wonnacott et al., 2014).

Predikce a prevence AKI během intraoperačního období byly rozsáhle přezkoumány (Gumbert et al., 2020; Meersch et al., 2017). Požadavek pacienta s AKI na dialýzu však představuje důležitý kategorický determinant jeho celkového výsledku (Wang et al., 2019; Wonnacott et al., 2014). Odhad pravděpodobnosti potřeby RRT a následných výsledků v době, kdy je AKI diagnostikován, představuje pro intenzivisty důležitou výzvu. Tento úvodník se zaměřuje na aplikaci strojového učení (ML) a umělé inteligence (AI) na velká data k predikci výsledků u pacientů, kteří již získali nové AKI během perioperačního období. Budeme diskutovat o omezeních současných přístupů k prognostice po vývoji AKI a potenciální roli a bariérách použití ML/AI pro účely predikce výsledku.

Současné přístupy k prognostice AKI a jejich omezení

Předpovídání výsledků po AKI je obtížné a rozhodnutí o tom, kdo zahájit RRT s cílem renálního zotavení nebo predikovat přínos pro dlouhodobé přežití, stále představuje výzvu pro lékaře akutní péče. Observační studie ukazují, že základní odhadovaná rychlost glomerulární filtrace (eGFR), proteinurie, vyšší věk a diabetes mellitus jsou klíčové faktory spojené s menší pravděpodobností uzdravení (Wonnacott et al., 2014). Systematický přehled studií pokoušejících se předpovědět úmrtnost po AKI zdůraznil 10 běžných proměnných, které byly často zahrnuty do predikčních modelů, jmenovitě mechanická ventilace, věk, pohlaví, hypotenze, selhání jater, oligurie, sepse/septický šok, nízká hladina sérového albuminu, nízká hladina vědomí a nízký počet krevních destiček (Ohnuma & Uchino, 2017). V komplexní metaanalýze sledující nežádoucí účinky po AKI, která zahrnovala 82 vhodných studií a 2 017 437 pacientů, z nichž 255 264 (12,7 procenta) vyvinulo AKI, byly mužské pohlaví, výchozí eGFR, ischemická choroba srdeční a diabetes modifikátory účinku asociace mezi AKI a úmrtnost. Jak by se dalo očekávat, riziko konečné fázeledvinanemoc (ESKD)se zvyšující se závažností AKI, stejně jako mortalita na JIP. Největšímu riziku úmrtnosti byli vystaveni pacienti podstupující angiografii a pacienti s AKI 3. stupně (viz et al., 2019). Nedávná metaanalýza zjistila, že trvání AKI bylo nezávisle spojeno s dlouhodobou mortalitou, kardiovaskulárními příhodami a rozvojem CKD stadia 3 (Mehta et al., 2018).

Předvídání výsledků u pacientů, u kterých se vyvinula nová AKI v perioperačním období, představuje významnou výzvu. To se odráží v omezeném počtu studií v této oblasti (Srisawat et al., 2011; Lee et al., 2019; Hoste et al., 2020). Predikce primárních výsledků může zahrnovat předpověď těch, kteří budou potřebovat dialýzu, zůstanou závislí na dialýze nebo se osvobodí od požadavku na dialýzu. Sekundární výsledky mohou zahrnovat 90-denní úmrtnost nebo 1- a 2-letou úmrtnost. Malá studie (n=76), primárně hodnotící úlohu močových biomarkerů pro prognózu zotavení, zjistila, že nižší Charlsonův index komorbidity a skóre akutního fyziologického a chronického hodnocení zdraví II (APACHE-II) byly prediktorem zotavení. Biomarkeryledvinazraněníprozkoumányv této studii byly lipokalin asociovaný s neutrofilní gelatinázou (uNGAL), růstový faktor hepatocytů v moči (UHF), močový cystatin C (cystatin C), IL-18 a lipokalin/matrix metaloproteináza spojená s neutrofilní gelatinázou{{3} } (Srisawat a kol., 20}11). Další studie (n=2 214) pacientů s AKI-D v systému elektronických zdravotních záznamů Kaiser Permanente Severní Kalifornie (EHR) odvodila predikční model pomocí věku, chronického onemocnění jater, stadia CKD před vstupem a koncentrace hemoglobinu k předpovědi pravděpodobnost obnovení funkce ledvin (Lee et al., 2019). Nedávno prospektivní, nadnárodní, observační studie porovnávala prediktivní výkon pro persistentní stadium 3 AKI (KDIGO) chemokinového ligandu 14 s motivem CC (CCL14), nového biomarkeru pro AKI, se zavedenými biomarkery. Do srovnávací skupiny byly zahrnuty cystatin C, proenkefalin, NGAL a LFABP. AUC (0,83) pro CCL14 v moči byla významně vyšší než pro všechny ostatní biomarkery. Tento nový biomarker AKI může být užitečné začlenit do budoucích modelů k předpovědi zotavení z AKI (Hoste et al., 2020; Zarbock et al., 2018). Ve studii RenalRIP byl předoperační dickkopf-3 (DKK3), marker renálního tubulárního stresu, zkoumán na užitečnost při předoperační identifikaci pacientů s rizikem AKI a následnéledvinafunkceztrátau 733 kardiochirurgických pacientů. Koncentrace DKK3 až kreatininu vyšší než 471 pg/mg byly spojeny s významně vyšším rizikem AKI (OR 1,94, 95procentní CI 1,08–3,47, p=0,026), přetrvávající renální dysfunkcí (OR 6,67, 1,67–26,61 , p=0·0072) a závislost na dialýze (OR 13,57, 1,50–122,77, p=0,020) po 90 dnech ve srovnání s DKK3 s koncentracemi kreatininu 471 pg/mg nebo méně (Schunk et al., 2019).

SA-AKI může být důsledkem hypovolémie, vazodilatace v důsledku anestetik a přetlakové ventilace, která může zhoršit žilní návrat. Mezi další faktory spojené se zvýšeným výskytem perioperačních AKI patří intraperitoneální otevřená operace, peroperační krevní transfuze, hemodynamická nestabilita, intraoperační diuretika a použití vazopresorů (Meersch et al., 2017).

Umělá inteligence a strojové učení pro prognostiku AKI

Umělá inteligence (AI) má ve světě zdravotnictví dlouhou historii. MYCIN byl jedním z velmi raných expertních systémů pro léčbu krevních infekcí (Shortliffe & Buchanan, 1975). Systém vyvinutý v 70. letech 20. století měl schopnost nejen určovat diagnózy, ale mohl také vysvětlit své uvažování. Systém měl úroveň kompetencí podobnou jako u lidských specialistů. Expertní systémy se stále používají i dnes, ale mají tendenci být popisovány jako systémy založené na pravidlech nebo systémy obchodních pravidel a obvykle jsou ručně vytvořeny napsáním explicitních pravidel, která zachycují expertní znalosti specifické pro doménu (Zhao et al., 2010). Hlavní výhodou systémů umělé inteligence založených na pravidlech je, že mohou snadno vysvětlit své úvahy lidským uživatelům a lze je snadno opravovat, aktualizovat a udržovat.

Jedním z nejvýznamnějších pokroků v AI za posledních 20 let byl rychlý pokrok v oblasti strojového učení a zejména hlubokého učení (LeCun et al., 2015). Ty se staly jednou z nejběžněji používaných technik umělé inteligence ve zdravotnictví a prokazují mimořádnou úroveň přesnosti. Například byla popsána klasifikace rakoviny kůže na expertní úrovni (Esteva et al., 2017).

Inherentní složitost umělé inteligence však může pro klinické lékaře představovat překážku při vytváření důvěryhodného vztahu s novými nástroji založenými na umělé inteligenci. Klasické lineární metody inference, jako je multivariabilní regrese, zůstávají pro klinické lékaře velmi atraktivní. Znalost vstupu, výstupu a „všeho mezi tím“ usnadňuje transparentnost, reprodukovatelnost a ujišťuje zastánce odborného názoru o tom, jak projekce vznikly. Navzdory přesnosti přístupů založených na hlubokém učení se nedostatek schopnosti vysvětlit uživatelům své úvahy ukázal jako problém pro širší přijetí umělé inteligence ve zdravotnictví. To vedlo k hledání Explainable AI nebo XAI. Vysvětlitelná umělá inteligence, ve které je uživatelům poskytována určitá viditelnost mechanismu, který je základem predikce, může být zvláště cenná při podpoře lékařů při používání výstupů nástrojů AI/ML (Fellous et al., 2019). Zajímavou technikou umělé inteligence, která byla nedávno aplikována na chronické onemocnění ledvin, je případová úvaha (CBR) (Elkader et al., 2018; Tahmasebian et al., 2016; Vásquez-Morales et al., 2019). CBR má v tomto nastavení mnoho zřetelných výhod. Za prvé, technika se nesnaží zobecňovat z historie případu. Namísto toho je klasifikace současného případu nebo předpověď budoucích výsledků provedena na základě podobných případů, které byly zaznamenány v minulosti. Jde o přirozený přístup k aplikaci zkušenosti: klinický pohled na současnou situaci je založen na historické zkušenosti. Proto lze dosáhnout řady zajímavých vlastností: diagnózy lze snadno vysvětlit, protože podobné případy, které představují moudrost aplikovanou na aktuální případ, přímo poskytují základ pro vysvětlení (Doyle et al., 2004). Počet podobných případů a další vlastnosti okolí aktuálního případu poskytují míru spolehlivosti. Případově založené historické případy samy o sobě poskytují představu o kompetenci systému a lze také snadno vyhodnotit, zda nové zkušenosti přidávají systému hodnotu (Smiti & Elouedi, 2014). Zatímco systémy CBR mohou mít stejné úrovně přesnosti a mohou být často srovnatelné se systémy hlubokého učení v konkrétních prostředích, jejich transparentnost je činí zvláště zajímavými v klinickém rozhodování, zejména proto, že v podstatě automatizují přirozené uvažování lékařských odborníků.

Existuje řada překážek, které je třeba překonat, aby se plně využil potenciál umělé inteligence jako prognostického nástroje. Neodmyslitelnou překážkou pro provádění longitudinálních studií k predikci výsledků po zavedeném pooperačním AKI je ztráta sledování v pooperačním období. Konkrétně dochází ke ztrátě sledování na úrovni člověka, konkrétně perioperačního lékaře, ale také ke ztrátě zachycení dat v následných pooperačních hodinách a dnech, kdy dojde k subklinickému poškození ledvin. Peroperační období by mělo představovat ideální scénář pro zachycení velkého množství granulárních dat, která by mohla být následně použita, zaprvé k predikci AKI, a zde má větší význam pro konstrukci modelů predikce výsledku pro výsledek po diagnostikování AKI. Navzdory rozšířenějšímu používání systémů řízení informací o anestezii (AIMS) pro zadávání demografie pacientů, chronických zdravotních stavů, anestezie a chirurgických postupů, farmakologických intervencí a fyziologických trendů zůstává nedostatek studií využívajících tato data ke zlepšení poskytované péče. pacientů, u kterých se vyvine perioperační AKI. Jedním z důvodů tohoto nedostatku výzkumu je, že současný diagnostický standard pro AKI, jmenovitěledvinyChorobaZlepšováníGlobálníVýsledky(KDIGO) guidelines má omezení v diagnostice AKI v perioperačním období. Výdej moči často klesá během intraoperačního období v důsledku uvolňování aldosteronu a vasopresinu spojeného se stresem, hypovolémií nebo dokonce anestezií (Hahn & Warner, 2010). Studie využívající KDIGO často vynechávají výdej moči jako kritérium kvůli neschopnosti přesně zachytit data (Churpek et al., 2020). Použití zvýšení sérového kreatininu jako diagnostického kritéria je také problematické, protože před pozorováním výsledného zvýšení sérového kreatininu je nutná > 50% ztráta funkce ledvin. Kromě toho existuje odhadovaná časová prodleva přibližně 48 hodin mezi poškozením ledvin a souvisejícím zvýšením sérového kreatininu. Tento jev představuje renální „slepou skvrnu“ (Uchino, 2010). Časem můžeme vidět roli nových biomarkerů renálního poškození a zotavení, jako je CCL14, které budou začleněny do budoucích přístupů hlubokého učení. Pokud však pacient není v prostředí péče, které umožňuje nepřetržité elektronické monitorování, velké množství potenciálně užitečných datových bodů se bude i nadále ztrácet.

Další bariérou rozvoje přesných predikčních modelů je obtížnost slučování dat z perioperačního období na JIP/chirurgické oddělení a následně do nefrologických ambulancí a chronických dialyzačních jednotek. Sloučení údajů z podrobného předoperačního hodnocení s věrnými údaji z intraoperačního období se zahrnutím jednotky pooperační péče by přinejmenším umožnilo výpočet incidence AKI a frekvence zahájení renální substituční terapie. Úložiště dat, která shromažďovala smysluplné koncové body, včetně těch, kteří postupují do koncové fázeonemocnění ledvin (ESKD)po 90 dnech a údaje o úmrtnosti by umožnily smysluplnou longitudinální analýzu dat. I v éře rozšířených EHR se však výzkum renálních výsledků opírá o přehled grafů odborníky v oboru (Wonnacott et al., 2014).

Zavádění řešení umělé inteligence do klinického prostředí přináší další výzvy. Zatímco pozornost v literatuře má tendenci se zaměřovat na dosažení maximální diagnostické přesnosti, existuje mnoho dalších otázek, které je třeba zvážit. Mezi ně patří mimo jiné citlivost (podíl správně klasifikovaných pozitiv), specificita (podíl správně klasifikovaných negativ), četnost falešně negativních výsledků, četnost falešně pozitivních výsledků, transparentnost a vysvětlitelnost rozhodnutí. Použití AI v kterémkoli bodě kauzální dráhy AKI může umožnit dřívější intervence, které by mohly zlepšit výsledek pacienta. Jak se model neustále učí z nových dat, ideálním cílem by byla časově aktualizovaná stratifikace rizik a prognóza. Byly provedeny pokusy s použitím elektronických výstrah ke spuštění konzultace s nefrologem se smíšenými výsledky (Colpaet et al., 2012; Wilson et al., 2021). Nicméně vzhledem k nízkému 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="">

Testování nebo ověřování nových předpovědních modelů v různých zdravotnických systémech a jurisdikcích jsou náročné. Z důvodu omezení mezinárodního přenosu dat a obecného nařízení o ochraně osobních údajů (NAŘÍZENÍ (EU), nd). například studie jsou často omezeny na jedinou legislativní jurisdikci. Výzkum zahrnující elektronické zdravotnické záznamy (EHR) pro více jurisdikcí je brzděn problémy v koordinaci, etickém souhlasu, odlišných protokolech a nákladech. Tradičně existovala určitá neochota vytvářet a udržovat open-source databáze. To platí zejména ve zdravotnických systémech, ve kterých byly EHR konstruovány především pro kódování nemocí a fakturační služby. Existuje pochopitelná neochota tyto údaje široce zpřístupňovat. V posledním desetiletí došlo k posunu směrem k deidentifikovaným úložištím otevřených dat (Martin et al., 2014). Ty mohou umožnit, aby data generovaná klinickými studiemi byla znovu analyzována, znovu interpretována nebo agregována. Pro rozvoj výzkumu umělé inteligence v klinické medicíně je zásadní míra, do jaké lze snadno vyhodnotit granulární data. Otevřená data obecně nabízejí určité výhody: za prvé poskytují transparentnost, která umožňuje audit a odpovědnost; to zahrnuje identifikaci odlehlých hodnot špatného výkonu, které mohou vyžadovat cílený zásah. Za druhé, poskytují neocenitelný zdroj, který může řídit inovace. Dostupnost otevřených dat může umožnit občanům a podporovat lékaře, poskytovatele péče a výzkumné pracovníky, aby mohli činit lepší rozhodnutí, podněcovat nový vývoj a identifikovat neefektivitu a zároveň zajistit, že osobní údaje zůstanou důvěrné. Komunita kritické péče začala vyvíjet Open Access (z velké části strukturované) datové soubory, které nabízejí bohatý potenciál pro AI aplikované na klinické otázky (Johnson a kol., 2016; Li a kol., 2019; Faltys a kol., 2020; AmsterdamUMCbd, nd ) ". Je kriticky důležité, aby systémy umělé inteligence používané ve zdravotnictví byly důvěryhodné. Evropská komise intenzivně pracovala na konceptu umělé inteligence zaměřené na člověka a její skupina odborníků na vysoké úrovni pro umělou inteligenci vyvinula soubor etických pokynů pro důvěryhodné AI.

Odkud by tato úložiště velkých dat přijímala svá data a jak by vypadaly algoritmy strojového učení? Výkon jakéhokoli algoritmu je pouze tak dobrý, jako jsou imputovaná data. Pro úspěšnou aplikaci technik strojového učení k predikci klinických výsledků by byla nutná schopnost zachytit a sloučit všechna data získaná v příslušných časových bodech podél dráhy poškození ledvin, jak je popsáno výše. Specificky pro perioperační AKI by systém správy dat potřeboval zachytit a sloučit čistá data z klinik předoperačního hodnocení, systémů řízení informací o anestezii (AIMS), jednotek pooperační péče, jednotek intenzivní péče a nemocničních EHR až po ambulantní pacienty s ledvinami a včetně chronické dialyzační jednotky. V současné době by pouze nejpokročilejší zdravotnické sítě měly schopnost zachytit taková granulovaná data. Příkladem použití AI k předpovědi události, i když výskytu AKI, je rozsáhlá studie Tomaseva et al. ze 192 nemocnic v rámci VA Health System, USA. Na základě dat od 703 782 pacientů rozdělili vyšetřovatelé data na tréninkové (80 procent pozorování), validační (5 procent), kalibrační (5 procent) a testovací (10 procent) sady. Tréninková sada byla použita k trénování navržených modelů. Ověřovací sada byla použita k opakovanému vylepšování modelů výběrem nejlepších architektur modelu a hyperparametrů. Modely vybrané na ověřovací sadě byly překalibrovány na kalibrační sadě, aby se dále zlepšila kvalita předpovědí rizik. Nejlepší modely byly nakonec vyhodnoceny v nezávislé testovací sadě, která byla při vývoji modelu odepřena. Pomocí variací rekurentní neuronové sítě (RNN) model předpovídá 55,8 procent všech hospitalizovaných epizod akutního poškození ledvin a 90,2 procent všech akutních poškození ledvin, které vyžaduje následné podání dialýzy, s průběžnou dobou až 48 hodin a poměrem 2 falešných poplachů na každý pravdivý poplach (Tomašev et al., 2019). Pomocí podobného konceptu může být možné předpovědět ty, u nichž je menší pravděpodobnost příznivého výsledku (naživu 90 dnů) po rozvoji AKI, přesměrovat cíle péče a v první řadě odmítnout dialýzu. Umělá inteligence ve zdravotnictví, využívající kombinaci elektronických dat a biomarkerů poškození ledvin, může také umožnit elektronické fenotypování pacientů s AKI. To by bylo analogické s biologickým pasem poškození ledvin. Shlukování dat může například identifikovat podskupiny pacientů s AKI, u kterých je pravděpodobnější, že budou vyžadovat dlouhodobou dialýzu nebo mají omezený přínos pro přežití. Tyto znalosti by opět mohly pomoci informovanějším cílům péče.

Role AI pro podporu klinického rozhodování při léčbě pacientů s AKI

Je možné si představit, že nástroj AI/ML by mohl podpořit klinické rozhodnutí v kterémkoli „bodu větve“ ve standardním algoritmu řízení. Obecně platí, že čím dále je algoritmus aplikován, tím větší množství údajů specifických pro pacienta je k dispozici, ale existuje méně účinných opatření k ovlivnění celkového výsledku. Proto je důležitý výběr otázky cíle predikce. Jakmile byla AKI identifikována (například na základě kritérií KDIGO) (KDIGO, nd) po operaci, predikční model by se mohl zaměřit na několik důležitých „akčních“ cílů: nemocniční mortalitu, požadavek na dialýzu, CKD.

Obecně řečeno, lékař by považoval rozhodnutí týkající se jednotlivého pacienta, které vede k postupu, který je pro pacienta přínosný, za „dobré rozhodnutí“. To představuje čtyři důležité výzvy (nebo omezení) jakéhokoli predikčního nástroje, který je zvažován pro podporu rozhodování:

1. Je předpovídaná entita klinicky významná (záleželo by na tom pacientovi?)

2. Jsou v současnosti dostupné prostředky pro dosažení rozhodnutí pomocí nového nástroje vylepšeny?

3. Lze předpovídaný výsledek změnit pomocí stávajících terapií nebo intervencí?

4. Byla kvantifikována relevance (hodnoty prediktivních indexů) prediktoru pro tohoto pacienta?

Tato omezení představují důležitá omezení hodnoty predikce výsledků na základě AI/ML u pacientů, kteří trpí AKI v pooperačním období. V současnosti používané definice AKI a „výsledek“ jsou nejednotné. Jednoduché lineární metody aplikované na datové soubory skromné ​​velikosti již nabízejí dobré prediktivní indexy pro mnoho pacientů v zájmové skupině (alespoň těm směrem k extrémům rizika) (Ohnuma & Uchino, 2017). Intervence, které je třeba provést nebo odmítnout na základě rizika úmrtnosti (například), jsou také omezené (Gaudry et al., 2016; New Engl J Med, 2020).

Jak by měl být nástroj založený na AI, který odhaduje náchylnost k budoucí klinické příhodě, začleněn do klinického rozhodnutí? Současný model zdravotní péče klade odpovědnost za doporučení postupu pevně na lékaře (nebo klinický tým). Lékař přijímá informace z různých zdrojů (např. laboratorní hodnoty, lékařské snímky, fyzikální vyšetření, konzultace s pacientem a rodinnými příslušníky), aby nabídl „odborný pohled“. Tento model předpokládá, že se lékař snaží jednat v nejlepším zájmu pacienta (ne nutně proto, aby zajistil optimální využití dostupných zdrojů), že klinik je odborník, jehož odhad toho, co se skutečně stane v důsledku různých léčebných postupů, je dobrý. zejména, že je lepší než odhad, který by se stejnými informacemi dal k dispozici „neodborný“ pacient a že pacient důvěřuje lékaři (Stewart, 1995). Zavedení nového prediktivního nástroje umělé inteligence klade otázky týkající se tohoto modelu: nahrazuje nástroj v části rozhodovací činnosti názor lékaře? začleňuje lékař výstup nástroje AI do svého myšlení jako další užitečnou informaci, kterou je třeba asimilovat; dělá nástroj umělé inteligence jak klinického, tak pacienta „neodborníka“ pro účely jeho výstupu, a posouvá tak pacienta do centrálnější nebo aktivnější role při rozhodování? Pokud teorie duálního procesu přesně popisuje, jak lékař dospěje k rozhodnutí, pak využívá intuici (první cesta) a kritické myšlení (druhá cesta) společně (Croskerry, 2017). Prediktivní hodnota jakéhokoli nového nástroje bude informovat tento nový nástroj; je možné, že intuitivní vážení nebo zdůraznění (první cesta), které lékař aplikuje na hodnotu, bude podléhat zkreslení na základě jejího chápání nebo víry v nový predikční nástroj.

Závěr

Poskytování přesných prognostických nástrojů v reálném čase pro podporu klinického rozhodování představuje slibnou oblast ve výzkumu AKI. V okamžiku, kdy je diagnostikována nová AKI v perioperačním období, je k dispozici mnoho údajů, které lze použít k predikci požadovaného klinického výsledku. Přesná předpověď výsledku v tomto bodě by mohla informovat jednotlivá klinická rozhodnutí a zlepšit porozumění přirozené historii AKI. Není těžké si představit užitečnou interakci mezi modely, které předpovídají nové AKI, a těmi, které předpovídají výsledky po AKI. Pacienti budou mít prospěch, pokud se podaří překonat značné problémy v oblasti přístupu k datům, regulačních, etických a lidských faktorů.