Potențialul inteligenței artificiale pentru a prezice rezultatele clinice la pacienții care au suferit leziuni renale acute în timpul perioadei perioperatorii

A lua legatura:joanna.jia@wecistanche.com/ WhatsApp: 008618081934791

Barry J. Kelly, și colab

Abstract

Leziune renală acută (AKI)este o problemă medicală comună la pacienții spitalizați din întreaga lume, care poate avea consecințe negative fiziologice, sociale și economice. Dintre pacienții internați la ICU cu AKI, peste 40 la sută au suferit fie o intervenție chirurgicală electivă, fie de urgență înainte de admitere. Prezicerea rezultatelor după AKI este dificilă, iar decizia cui să inițieze RRT cu scopul de recuperare renală sau să prezică un beneficiu de supraviețuire pe termen lung reprezintă încă o provocare pentru medicii de îngrijire acută. Odată cu utilizarea din ce în ce mai mare a înregistrărilor medicale electronice, inteligența artificială poate permite prognosticul postoperator AKI și poate ajuta la managementul clinic. Pacienții vor beneficia dacă datele pot fi accesate cu ușurință și pot fi depășite provocările de reglementare, etice și factori umani.

beneficii cistanche desert si dializa

Amploarea problemei clinice

Leziune renală acută (AKI)este o problemă medicală comună la pacienții spitalizați din întreaga lume, care poate avea consecințe negative fiziologice, sociale și economice.Acutrinichirănirese estimează că complică 12% din internările în spitale din SUA, afectând direct peste 2 milioane de pacienți pe an (Al-Jaghbeer et al., 2018). Potrivit Programului Național de Îmbunătățire a Calității Chirurgicale a Colegiului American de Chirurgii, complicațiile cauzate de AKI apar în aproximativ 1% din toate cazurile de chirurgie generală, ceea ce duce la o creștere de opt ori a mortalității zilnice 30-de toate cauzele (Kheterpal și colab., 2009). Studiul AKI-Epi a arătat că 57,3% dintre toți pacienții de UTI au avut AKI pe o perioadă de 1-săptămână. Dintre pacienții de UTI cu AKI, 44% au suferit o intervenție chirurgicală electivă (29%) sau de urgență (15%) înainte de internare (Hoste și colab., 2015). AKI după o intervenție chirurgicală abdominală majoră apare la 13,4% dintre pacienți și este asociată cu un risc relativ crescut de 12,6-ori (IC de 95%, 6,8–23,4) de mortalitate perioperatorie pe termen scurt (O'Connor și colab., 2016). AKI apare după 22% (mediană) din procedurile chirurgicale cardiace, 3% care necesită terapie de substituție renală (RRT) (Vandenberghe et al., 2016).

Pacienții care suferă de AKI care necesită dializă (AKID) reprezintă capătul sever al spectrului SA-AKI. AKI-D este o urgență medicală acută care afectează până la 13% dintre pacienții în stare critică (Hoste și colab., 2015). Aproximativ 50 la sută dintre pacienții cu AKI-D nu vor supraviețui externării din spital, iar încă 7 la sută dintre supraviețuitori vor rămâne dependenți de dializă în momentul externării din spital și ulterior (Wang et al., 2019). Chiar și printre cei care supraviețuiesc și la care dializa poate fi întreruptă, mulți au noi sau mai severecronicrinichiboala(CKD) și supraviețuirea 2-an de la momentul externării din spital în rândul celor cu AKI-D este estimată la 45-59 la sută (Wonnacott et al., 2014).

Predicția și prevenirea AKI în timpul perioadei intraoperatorii au fost revizuite pe larg (Gumbert și colab., 2020; Meersch și colab., 2017). Cu toate acestea, cerința unui pacient cu AKI pentru dializă reprezintă un determinant categoric important al rezultatului lor general (Wang și colab., 2019; Wonnacott și colab., 2014). Estimarea probabilității necesității de RRT și a rezultatelor ulterioare în momentul în care AKI este diagnosticată reprezintă o provocare importantă pentru intensiviști. Acest editorial se concentrează pe aplicarea învățării automate (ML) și a inteligenței artificiale (AI) la big data pentru a prezice rezultatele la pacienții care au dobândit deja un nou AKI în perioada perioperatorie. Vom discuta limitele abordărilor actuale ale prognosticului după dezvoltarea AKI și rolul potențial al și barierele în calea utilizării ML/AI în scopul predicției rezultatelor.

Abordări actuale ale prognosticului AKI și limitările acestora

Prezicerea rezultatelor după AKI este dificilă, iar decizia cui să inițieze RRT cu scopul de recuperare renală sau să prezică un beneficiu de supraviețuire pe termen lung reprezintă încă o provocare pentru medicii de îngrijire acută. Studiile observaționale indică faptul că rata de filtrare glomerulară estimată de bază (eGFR), proteinuria, vârsta mai mare și diabetul zaharat sunt factori cheie asociați cu o probabilitate mai mică de recuperare (Wonnacott și colab., 2014). O revizuire sistematică a studiilor care încearcă să prezică mortalitatea după AKI a evidențiat 10 variabile comune care au fost frecvent incluse în modelele de predicție, și anume ventilație mecanică, vârstă, sex, hipotensiune arterială, insuficiență hepatică, oligurie, sepsis/șoc septic, albumină serică scăzută, nivel scăzut. de conștiență și număr scăzut de trombocite (Ohnuma & Uchino, 2017). Într-o meta-analiză cuprinzătoare care a analizat evenimentele adverse după AKI, care a inclus 82 de studii eligibile și 2.017.437 de pacienți, dintre care 255.264 (12,7 la sută) au dezvoltat AKI, sexul masculin, eGFR inițial, boala coronariană și diabetul au fost modificatori ai efectului asocierii dintre AKI și mortalitate. După cum era de așteptat, riscul de stadiu finalrinichiboala (ESKD)a crescut odată cu creșterea severității AKI, la fel ca și mortalitatea în UTI. Pacienții supuși procedurilor de angiografie și cei cu AKI în stadiul 3 au avut cel mai mare risc de mortalitate (vezi și colab., 2019). O meta-analiză recentă a identificat că durata AKI a fost asociată în mod independent cu mortalitatea pe termen lung, evenimentele cardiovasculare și dezvoltarea stadiului 3 al CKD (Mehta et al., 2018).

Predicția rezultatelor la pacienții care au dezvoltat noi AKI în perioada perioperatorie reprezintă o provocare semnificativă. Acest lucru se reflectă în numărul limitat de studii în acest domeniu (Srisawat și colab., 2011; Lee și colab., 2019; Hoste și colab., 2020). Predicția rezultatelor primare poate include predicția celor care continuă să necesite dializă, rămân dependenți de dializă sau devin eliberați de cerința de dializă. Rezultatele secundare pot include mortalitatea pe 90-zi sau 1- și 2-mortalitatea pe ani. Un mic studiu (n=76), care evaluează în primul rând rolul biomarkerilor urinari de a prognostica recuperarea, a constatat că un indice de comorbiditate Charlson mai mic și scorul Evaluării fiziologice și cronice a sănătății II (APACHE-II) au fost predictori ai recuperării. Biomarkerii airinichirănireexploratîn acest studiu au fost lipocalina asociată cu gelatinaza neutrofilă urinară (uNGAL), factorul de creștere a hepatocitelor urinare (UHF), cistatina C urinară (cistatină C), IL-18 și lipocalină/metaloproteinaza matriceală asociată gelatinază neutrofilă{{3} } (Srisawat și colab., 2011). Un alt studiu (n=2 214) pe pacienți cu AKI-D în sistemul Kaiser Permanente Northern California de evidență medicală electronică (EHR) a derivat un model de predicție utilizând vârsta, boala hepatică cronică, stadiul CKD înainte de internare și concentrația de hemoglobină pentru a prezice probabilitatea refacerii funcției renale (Lee et al., 2019). Recent, un studiu prospectiv, multinațional, de observație a comparat performanța predictivă pentru stadiul persistent 3 AKI (KDIGO) al ligandului 14 al chemokinei cu motiv CC (CCL14), un biomarker nou pentru AKI, cu biomarkeri stabiliți. În grupul de comparație au fost incluse cistatina C, proenkefalina, NGAL și LFABP. ASC (0,83) pentru CCL14 urinar a fost semnificativ mai mare decât pentru toți ceilalți biomarkeri. Acest biomarker nou al AKI poate fi util pentru a fi încorporat în modelele viitoare pentru a prezice recuperarea din AKI (Hoste și colab., 2020; Zarbock și colab., 2018). În studiul RenalRIP, dickkopf preoperator-3 (DKK3), un marker de stres tubular renal, a fost examinat pentru utilitate în identificarea preoperatorie a pacienților cu risc de AKI și ulteriorrinichifuncţiepierderila 733 bolnavi de chirurgie cardiacă. DKK3 la concentrații de creatinină mai mari de 471 pg/mg au fost asociate cu un risc semnificativ mai mare pentru AKI (OR 1,94, 95% CI 1,08–3,47, p=0,026), disfuncție renală persistentă (OR 6,67, 1,67–26,61). , p=0·0072) și dependența de dializă (OR 13,57, 1,50–122,77, p=0,020) după 90 de zile în comparație cu DKK3 la concentrații de creatinine de 471 pg/mg sau mai puțin (Schunk și al., 2019).

SA-AKI poate rezulta din hipovolemie, vasodilatație datorată agenților anestezici și ventilație cu presiune pozitivă care poate afecta întoarcerea venoasă. Alți factori asociați cu rate crescute de AKI perioperatorie includ intervenția chirurgicală deschisă intraperitoneală, transfuziile de sânge intraoperatorii, instabilitatea hemodinamică, diureticele intraoperatorii și utilizarea vasopresoarelor (Meersch et al., 2017).

Inteligența artificială și învățarea automată pentru prognosticul AKI

Inteligența artificială (IA) are o istorie lungă în lumea asistenței medicale. MYCIN a fost unul dintre primele sisteme expert pentru tratarea infecțiilor din sânge (Shortliffe & Buchanan, 1975). Dezvoltat în anii 1970, sistemul avea capacitatea nu numai de a face diagnostice, ci și de a explica raționamentul său. Sistemul avea un nivel de competență similar cu cel al specialiștilor umani. Sistemele experte sunt încă utilizate astăzi, dar tind să fie descrise ca sisteme bazate pe reguli sau sisteme de reguli de afaceri și, în mod normal, sunt realizate manual prin scrierea unor reguli explicite care captează cunoștințele de specialitate specifice domeniului (Zhao et al., 2010). Un avantaj major al sistemelor AI bazate pe reguli este că își pot explica cu ușurință raționamentul utilizatorilor umani și sunt ușor de corectat, actualizat și întreținut.

Una dintre cele mai semnificative evoluții în AI din ultimii 20 de ani a fost progresele rapide în învățarea automată și, în special, în învățarea profundă (LeCun et al., 2015). Acestea au devenit printre cele mai utilizate tehnici AI în domeniul sănătății, demonstrând niveluri extraordinare de precizie. De exemplu, a fost raportată clasificarea la nivel de experți a cancerului de piele (Esteva și colab., 2017).

Cu toate acestea, complexitatea inerentă a inteligenței artificiale poate reprezenta o barieră pentru clinicieni în a dezvolta o relație de încredere cu instrumente noi bazate pe inteligență artificială. Metodele clasice liniare de inferență, cum ar fi regresia multivariabilă, rămân foarte atractive pentru clinicieni. Cunoașterea intrărilor, a ieșirilor și a „tot ceea ce este între ele” facilitează transparența, reproductibilitatea și îi asigură pe susținătorii opiniilor experților cu privire la modul în care au apărut proiecțiile. În ciuda acurateții abordărilor bazate pe învățarea profundă, lipsa capacității de a-și explica raționamentul utilizatorilor s-a dovedit o provocare pentru o acceptare mai largă a AI în domeniul sănătății. Acest lucru a condus la căutarea Explainable AI sau XAI. IA explicabilă în care se oferă o anumită vizibilitate utilizatorilor mecanismului care stă la baza unei predicții poate fi deosebit de valoroasă în sprijinirea clinicienilor să utilizeze rezultatele instrumentelor AI/ML (Fellous et al., 2019). O tehnică AI interesantă care a fost aplicată recent în boala renală cronică este raționamentul bazat pe caz (CBR) (Elkader și colab., 2018; Tahmasebian și colab., 2016; Vásquez-Morales și colab., 2019). CBR are multe avantaje distincte în acest cadru. În primul rând, tehnica nu încearcă să generalizeze din istoricul cazului. În schimb, o clasificare a cazului curent sau o predicție a rezultatelor viitoare se face pe baza unor cazuri similare care au fost experimentate în trecut. Aceasta este o abordare firească a aplicării experienței: viziunea clinică a situației actuale se bazează pe experiența istorică. Prin urmare, se realizează o serie de proprietăți interesante: diagnosticele sunt ușor de explicat, deoarece cazuri similare care reprezintă înțelepciunea aplicată cazului curent oferă în mod direct o bază pentru explicație (Doyle et al., 2004). Numărul de cazuri similare și alte proprietăți ale vecinătății cazului curent oferă o măsură a încrederii. Cazurile istorice bazate pe cazuri oferă în sine o noțiune de competență a sistemului și, de asemenea, se poate evalua cu ușurință dacă noile experiențe adaugă valoare sistemului (Smiti & Elouedi, 2014). În timp ce sistemele CBR ar putea avea aceleași niveluri de acuratețe și pot fi adesea comparabile cu sistemele de învățare profundă în anumite setări, transparența lor le face deosebit de interesante în luarea deciziilor clinice, mai ales că ele automatizează în esență raționamentul natural al experților medicali.

Există o serie de obstacole care trebuie depășite pentru a actualiza întregul potențial al AI ca instrument de prognostic. O barieră inerentă în efectuarea de studii longitudinale pentru a prezice rezultatele în urma AKI postoperatorie stabilită este pierderea urmăririi în perioada postoperatorie. Concret, se constată o pierdere a urmăririi la nivel uman, și anume a medicului perioperator, dar și o pierdere a captării datelor în orele și zilele postoperatorii ulterioare când apare o leziune renală subclinica. Perioada intraoperatorie ar trebui să reprezinte scenariul ideal pentru a capta o abundență de date granulare care, la rândul lor, ar putea fi utilizate, în primul rând pentru a prezice AKI și de o mai mare relevanță aici pentru a construi modele de predicție a rezultatului după diagnosticarea AKI. În ciuda utilizării mai răspândite a sistemelor de management al informațiilor despre anestezie (AIMS) pentru a introduce datele demografice ale pacienților, afecțiunile medicale cronice, anestezia și procedurile chirurgicale, intervențiile farmacologice și tendințele fiziologice, există în continuare un deficit de studii care utilizează aceste date pentru a îmbunătăți îngrijirea oferită. pacienţii care dezvoltă AKI perioperatorie. Un motiv pentru acest deficit de cercetare este că standardul actual de diagnostic pentru AKI, și anumeRinichiBoalaÎmbunătățireaGlobalRezultateGhidurile (KDIGO) au limitări în diagnosticarea AKI în perioada perioperatorie. Debitul de urină scade adesea în perioada intraoperatorie, datorită eliberării de aldosteron și vasopresină asociate cu stres, hipovolemie sau chiar anestezie (Hahn & Warner, 2010). Studiile care utilizează KDIGO omit frecvent producția de urină ca criteriu din cauza incapacității de a capta cu acuratețe datele (Churpek și colab., 2020). Utilizarea unei creșteri a creatininei serice, ca criteriu de diagnostic, este, de asemenea, problematică, deoarece este necesară pierderea > 50% a funcției renale înainte de a se observa o creștere rezultată a creatininei serice. În plus, există un interval de timp estimat de aproximativ 48 de ore între afectarea renală și o creștere asociată a creatininei serice. Acest fenomen constituie un „punct orb” renal (Uchino, 2010). În timp, putem vedea rolul biomarkerilor noi ai leziunii și recuperării renale, cum ar fi CCL14, fiind încorporați în viitoarele abordări de învățare profundă. Cu toate acestea, cu excepția cazului în care pacientul se află într-un cadru de îngrijire care permite monitorizarea electronică continuă, cantități mari de puncte de date potențial utile vor continua să se piardă.

Un alt obstacol în calea dezvoltării unor modele de predicție precise este dificultatea de a îmbina datele din perioada perioperatorie la UTI/secția de chirurgie și, ulterior, la ambulatoriile de nefrologie și unitățile de dializă cronică. Combinarea datelor dintr-o evaluare preoperatorie detaliată cu datele de înaltă fidelitate din perioada intraoperatorie pentru a include unitatea de îngrijire postoperatorie ar permite cel puțin calcularea incidenței AKI și a frecvenței de inițiere a terapiei de substituție renală. Arhivele de date care au colectat puncte finale semnificative, inclusiv cele care progresează la etapa finalăboală de rinichi (ESKD)la 90 de zile și datele de mortalitate ar permite o analiză longitudinală semnificativă a datelor. Cu toate acestea, chiar și în era EHR pe scară largă, cercetarea rezultatelor renale se bazează pe revizuirea diagramelor de către experți în domeniu (Wonnacott et al., 2014).

Există și alte provocări în introducerea soluțiilor AI într-un cadru clinic. În timp ce literatura de specialitate tinde să se concentreze pe obținerea unei acuratețe maxime a diagnosticului, există multe alte aspecte care trebuie luate în considerare. Acestea includ, dar nu se limitează la, sensibilitatea (proporția de pozitive clasificate corect), specificitatea (proporția de negative clasificate corect), rata fals-negative, rata fals-pozitive, transparența și explicabilitatea unei decizii. Utilizarea IA în orice punct de-a lungul căii cauzale AKI poate permite intervenții mai timpurii care ar putea îmbunătăți rezultatul pacientului. Pe măsură ce modelul învață continuu din date noi, obiectivul ideal ar fi stratificarea și prognozarea riscurilor actualizate în timp. Acest lucru a fost încercat folosind alerte electronice pentru a declanșa o consultație de la un nefrolog cu rezultate mixte (Colpaet și colab., 2012; Wilson și colab., 2021). Cu toate acestea, având în vedere rata scăzută de incidență (< 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="">

Există provocări pentru testarea sau validarea noilor modele de predicție în diferite sisteme și jurisdicții de asistență medicală. Din cauza restricțiilor privind transferul internațional de date și a Regulamentului general privind protecția datelor (REGULAMENTUL (UE), nd). de exemplu, studiile sunt adesea limitate la o singură jurisdicție legislativă. Cercetările care implică înregistrări electronice de asistență medicală (EHR) multi-jurisdicționale sunt îngreunate de provocări în coordonare, consimțământ etic, protocoale diferite și costuri. În mod tradițional, a existat o oarecare reticență în a crea și a menține baze de date open-source. Acest lucru este valabil mai ales în sistemele de sănătate în care EHR-urile au fost construite în principal pentru codificarea bolilor și serviciile de facturare. Există o reticență de înțeles de a face aceste date disponibile pe scară largă. În ultimul deceniu, a existat o mișcare către depozitele de date deschise de-identificate (Martin et al., 2014). Acestea pot permite ca datele generate de studiile clinice să fie reanalizate, reinterpretate sau agregate. Gradul în care datele granulare pot fi ușor evaluate este crucial pentru dezvoltarea cercetării AI în medicina clinică. În linii mari, Open Data oferă anumite avantaje: în primul rând, oferă transparență care permite auditul și responsabilitatea; aceasta include identificarea valorii aberante ale performanței slabe care pot necesita intervenții direcționate. În al doilea rând, ele oferă o resursă de neprețuit care poate stimula inovația. Disponibilitatea datelor deschise poate împuternici cetățenii și poate sprijini clinicienii, furnizorii de îngrijire și cercetătorii să ia decizii mai bune, să provoace noi dezvoltări și să identifice ineficiențe, asigurând în același timp că datele personale rămân confidențiale. Comunitatea de îngrijiri critice a început să dezvolte seturi de date cu acces deschis (în mare măsură structurate) care oferă un potențial bogat pentru IA aplicată la întrebări clinice (Johnson și colab., 2016; Li et al., 2019; Faltys și colab., 2020; AmsterdamUMCbd, nd. ) ". Este extrem de important ca sistemele AI utilizate într-un cadru medical să fie demne de încredere. Comisia Europeană a lucrat intens la noțiunea de IA centrată pe om, iar Grupul său de experți la nivel înalt pentru IA a dezvoltat un set de orientări etice pentru încredere. AI.

De unde și-ar primi datele aceste depozite de date mari și cum ar arăta algoritmii de învățare automată? Performanța oricărui algoritm este la fel de bună ca și datele care sunt imputate. Pentru o aplicare cu succes a tehnicilor de învățare automată pentru a prezice rezultatele clinice și abilitatea de a captura și îmbina toate datele dobândite la momente pertinente de-a lungul căii de leziune renală, așa cum este descris mai sus, ar fi necesare. Specific pentru AKI perioperatorie, sistemul de gestionare a datelor ar trebui să capteze și să comande date curate din clinicile de evaluare preoperatorie, sistemele de management al informațiilor privind anestezia intraoperatorie (AIMS), unitățile de îngrijire postoperatorie, unitățile de terapie intensivă și EHR-urile spitalului până la și inclusiv pacienții renali în ambulatoriu și unitati de dializa cronica. În prezent, doar cele mai avansate rețele de îngrijire a sănătății ar avea capacitatea de a capta astfel de date granulare. Un exemplu de utilizare a AI pentru a prognoza un eveniment, deși apariția AKI, este studiul amplu realizat de Tomasev și colab. din 192 de spitale din cadrul sistemului de sănătate VA, SUA. Folosind date de la 703.782 de pacienți, anchetatorii au împărțit datele în seturi de instruire (80 la sută din observații), validare (5 la sută), calibrare (5 la sută) și seturi de testare (10 la sută). Setul de antrenament a fost folosit pentru a antrena modelele propuse. Setul de validare a fost folosit pentru a îmbunătăți în mod iterativ modelele prin selectarea celor mai bune arhitecturi de model și hiperparametri. Modelele selectate pe setul de validare au fost recalibrate pe setul de calibrare pentru a îmbunătăți și mai mult calitatea predicțiilor de risc. Cele mai bune modele au fost în cele din urmă evaluate pe un set de testare independent care a fost reținut în timpul dezvoltării modelului. Folosind variații ale rețelei neuronale recurente (RNN), modelul prezice 55,8 la sută din toate episoadele de leziune renală acută și 90,2 la sută din toate leziunile renale acute care necesită administrarea ulterioară a dializei, cu un timp de până la 48 de ore și un raport. din 2 alerte false pentru fiecare alertă adevărată (Tomašev et al., 2019). Folosind un concept similar, ar putea fi posibil să se prezică pe cei care sunt mai puțin probabil să aibă un rezultat favorabil (în viață la 90 de zile) după dezvoltarea AKI, să redirecționeze obiectivele îngrijirii și să renunțe la dializa în primă instanță. AI în asistența medicală, folosind un compus de date electronice și biomarkeri ai leziunii renale, poate permite, de asemenea, fenotiparea electronică a pacienților cu AKI. Acest lucru ar fi analog cu un pașaport biologic de leziuni renale. De exemplu, gruparea datelor poate identifica subgrupuri de pacienți cu AKI care sunt mai probabil să necesite dializă pe termen lung sau au beneficii limitate de supraviețuire. Din nou, aceste cunoștințe ar putea ajuta la obiective mai informate ale îngrijirii.

Rolul AI pentru sprijinul decizional clinic în tratarea pacienților cu AKI

Este posibil să ne imaginăm că un instrument AI/ML ar putea sprijini o decizie clinică în orice „punct de ramură” într-un algoritm de management standard. În general, cu cât algoritmul aplicat este mai în aval, cu atât este disponibilă o cantitate mai mare de date specifice pacientului, dar există mai puține măsuri eficiente pentru a influența rezultatul general. Astfel, selecția întrebării țintei de predicție este importantă. Odată ce AKI a fost identificată (de exemplu, pe baza criteriilor KDIGO) (KDIGO, nd) postoperator, un model de predicție ar putea viza câteva ținte importante „acționabile”: mortalitatea în spital, necesitatea de dializă, CKD.

În linii mari, un clinician ar considera o decizie referitoare la un pacient individual care are ca rezultat un curs de acțiune care aduce beneficii pacientului drept o „decizie bună”. Acest lucru prezintă patru provocări (sau constrângeri) importante pentru orice instrument de predicție luat în considerare pentru sprijinul decizional:

1. Este entitatea prezisă semnificativă din punct de vedere clinic (ar conta pentru pacient?)

2. Mijloacele disponibile în prezent pentru luarea deciziei sunt îmbunătățite de noul instrument?

3. Este rezultatul prognozat susceptibil de a fi schimbat folosind terapiile sau intervențiile existente?

4. A fost cuantificată relevanța (valorile indicilor predictivi) predictorului pentru acest pacient?

Aceste constrângeri ridică limitări importante ale valorii predicției rezultatelor conduse de AI/ML pentru pacienții care suferă de AKI în perioada postoperatorie. Definițiile AKI și „rezultatul” utilizate în prezent sunt neuniforme. Metodele liniare simple aplicate la seturi de date de dimensiuni modeste oferă deja indici predictivi buni pentru mulți pacienți din grupul de interes (cel puțin cei către extremele de risc) (Ohnuma & Uchino, 2017). Intervențiile care trebuie făcute sau reținute pe baza riscului de mortalitate (de exemplu) sunt, de asemenea, limitate (Gaudry et al., 2016; New Engl J Med, 2020).

Cum ar trebui să fie încorporat într-o decizie clinică un instrument bazat pe inteligență artificială care estimează tendința unui eveniment clinic viitor? Modelul actual de asistență medicală plasează responsabilitatea pentru recomandarea unui curs de acțiune ferm cu clinicianul (sau echipa clinică). Clinicianul asimilează informații din diverse surse (de exemplu, valori de laborator, imagini medicale, examen fizic, consultare cu pacientul și membrii familiei) pentru a oferi o „vedere de expert”. Acest model presupune că medicul încearcă să acționeze în cel mai bun interes al pacientului, (nu neapărat pentru a asigura utilizarea optimă a resurselor disponibile), că clinicianul este un expert a cărui estimare a ceea ce se va întâmpla de fapt ca urmare a diferitelor tratamente este bună, în special, că este superioară estimării pe care pacientul „neexpert” ar face cu aceleași informații disponibile și că pacientul are încredere în clinician (Stewart, 1995). Introducerea noului instrument predictiv AI ridică întrebări cu privire la acest model: instrumentul înlocuiește opinia clinicianului pentru o parte a activității decizionale; încorporează clinicianul rezultatul instrumentului AI în gândirea sa ca o altă informație utilă care trebuie asimilată? instrumentul AI face ca atât clinicianul, cât și pacientul să fie „neexpert” în scopul rezultatelor sale și, prin urmare, mută pacientul într-un rol mai central sau mai activ în luarea unei decizii? Dacă teoria procesului dublu descrie cu acuratețe modul în care un clinician ajunge la o decizie, atunci el/ea folosește intuiția (prima cale) și gândirea critică (a doua cale) împreună (Croskerry, 2017). Valoarea predictivă a oricărui instrument nou îl va informa pe acesta din urmă; este posibil ca ponderarea intuitivă sau accentul (prima cale) pe care un clinician o aplică valorii să fie supusă unei părtiniri bazate pe înțelegerea sau credința ei în noul instrument de predicție.

Concluzie

Furnizarea de instrumente de prognoză precise în timp real pentru a ajuta la sprijinirea deciziei clinice reprezintă un domeniu promițător în cercetarea AKI. În momentul în care noua AKI este diagnosticată în perioada perioperatorie, sunt disponibile multe date care ar putea fi aplicate pentru predicția unui rezultat clinic de interes. O predicție precisă a rezultatului în acel moment ar putea informa deciziile clinice individuale și ar putea îmbunătăți înțelegerea istoriei naturale a AKI. Nu este dificil să se prevadă o interacțiune utilă între modelele care prezic noul AKI și cele care prezic rezultate după AKI. Pacienții vor beneficia dacă provocările considerabile legate de accesul la date, de reglementare, etice și factori umani pot fi depășite.