PRŮVODCE odvětvími

AI Predikce akutního poškození ledvin

AI predikce akutního poškození ledvin (AKI) využívá strojové učení na datech elektronických zdravotních záznamů k odhadu, u kterých hospitalizovaných pacientů se pravděpodobně vyvine AKI během příštího dne nebo dvou.

Poslechněte si tento návodAI-vyprávěný · ~3 min

Na této stránce4 min čtení
  1. Přehled
  2. Hluboký ponor
  3. Real-World Implementace
  4. Budoucnost AI predikce akutního poškození ledvin
  5. Uvedení do praxe
  6. Pokračujte v objevování
  7. Často kladené otázky

Přehled

Údaje zahrnují trendy kreatininu, výdej moči, léky, vitální funkce a diagnózy. Záleží na tom, protože AKI je v nemocnicích běžná a často tichá, dokud se kreatinin nezvýší. Včasné jednání, například vysazením léku, který poškozuje ledviny, nebo úpravou stavu tekutin, může poškození zabránit. Samotné výstrahy však spolehlivě nezlepšily výsledky.

Hluboký ponor

Akutní poškození ledvin je náhlý pokles funkce ledvin. Kliničtí lékaři jej definují pomocí KDIGO kritérií: sérový kreatinin stoupne alespoň o 0,3 mg/dl během 48 hodin, nebo stoupne na 1,5násobek výchozí hodnoty během sedmi dnů, nebo produkce moči zůstává pod 0,5 ml/kg za hodinu po dobu šesti hodin. Háček je v tom, že kreatinin je zaostávající marker. V době, kdy se zvedne, může být zranění o den nebo více staré. Predikční modely se snaží toto zpoždění překonat. Z mnoha dřívějších přijetí se učí, které vzorce nastaly před AKI: malé drifty kreatininu, rostoucí dusík močoviny v krvi, nízký krevní tlak, sepse, nedávná operace, chronické onemocnění ledvin a expozice lékům, které mohou poškodit ledviny, jako je vankomycin, aminoglykosidy, NSAID nebo IV kontrast. Nejznámější studie pochází od DeepMind a amerického ministerstva pro záležitosti veteránů a byla publikována v Nature v roce 2019. Rekurentní neuronová síť trénovaná na VA záznamech předpovídala něco málo přes polovinu epizod AKI na lůžku až 48 hodin dopředu. Na každý pravdivý vyvolal zhruba dva falešné poplachy. Hůře dopadl také u žen, které tvořily jen malý podíl pacientů s VA. To ukazuje, jak trénující populace formuje, komu model dobře slouží. Obvyklá mylná představa je, že aplikace Streams od DeepMind v Royal Free Hospital v Londýně byla AI. Nebylo. Streamy odeslaly lékařům telefonická upozornění z algoritmu NHS England AKI, což je porovnání hodnot kreatininu založené na pravidlech. Streams se stal známější díky zjištění úřadu britského komisaře pro informace z roku 2017, že nemocnice nedodržela zákon o ochraně údajů, když sdílela záznamy pacientů se DeepMind. Větší poučení je, že předpověď není totéž jako přínos. Randomizované zkoušky na Yale, vedené F. Perry Wilsonem, testovaly elektronické výstrahy, které se spustily, jakmile byla přítomna AKI. Tyto výstrahy nesnížily celkové následky, jako je dialýza nebo úmrtí. Výstraha pomáhá pouze v případě, že na ni někdo zareaguje a pro daného pacienta existuje účinná akce.

Real-World Implementace

Model znovu hodnotí každého hospitalizovaného pacienta pokaždé, když zveřejní nový laboratorní výsledek. Označuje pacienta po chirurgickém zákroku na vankomycinu a piperacilin-tazobaktamu, jehož kreatinin se vyšplhal z 0,8 na 1,0 mg/dl, než vzestup splňuje formální KDIGO definici AKI.

Kardiochirurgický tým používá rizikový model před operací, aby zvolil, kteří pacienti s bypassem dostanou hodinové monitorování výstupu moči a plán, jak se vyhnout IV kontrastu v prvních dnech po operaci.

Klinický lékárník dostává denně seznam vysoce rizikových pacientů a u každého kontroluje rizikové kombinace léků, jako je NSAID s inhibitorem ACE a diuretikem, a poté doporučí vysazení nebo výměnu jednoho z nich.

Přístrojová deska JIP kombinuje hodinový výdej moči s rovnováhou tekutin a varuje před klesajícím výdejem. Sestra nejprve kontroluje, zda není ucpaný močový katétr, což je častý neledvinový důvod nízkého zaznamenaného výdeje.

Budoucnost AI predikce akutního poškození ledvin

Studuje se několik směrů, včetně kombinace modelových rizikových skóre s biomarkery stresu ledvin měřenými v moči a spárování výstrah se specifickými balíčky péče namísto pouhého varování. Malé studie balíčků péče řízené biomarkery po kardiochirurgické operaci zaznamenaly méně případů AKI. Stále není jasné, zda výstrahy řízené umělou inteligencí zlepšují rychlost dialýzy, zotavení ledvin nebo přežití ve velkém, takže nemocnice zvažující tyto nástroje by měly hledat prospektivní, randomizované důkazy a kontrolovat výkon u svých vlastních pacientů. Kontroly spravedlnosti napříč pohlavím, rasou a prostředím péče se pravděpodobně stanou rutinou, protože studie VA ukázala, jak moc může model odrážet jeho trénující populaci.

Uvedení do praxe

Proč na tom záleží

  • Kontext a pravidla. Kontext odvětví určuje, zda nápady AI přežijí kontakt s realitou.
  • Kontrola kvality. Omezení domény ovlivňují přijatelnou míru chyb a modely dohledu.
  • Volby sestavy. Úspěšné nasazení sladí technické možnosti s předními pracovními postupy.

Pozor na

  • Regulační požadavky mohou zneplatnit jinak silné prototypy.
  • Historická data mohou zakódovat zaujatost, která poškozuje konkrétní komunity.
  • Starší systémy mohou vytvářet úzká místa integrace a skryté náklady.

Další kroky

  1. Zapojte odborníky na doménu od rámování problému až po hodnocení.
  2. Před spuštěním navrhněte auditní záznamy a dokumentaci.
  3. Předčasně ověřte dodržování a bezpečnostní závazky.
  4. Zavádění ve fázích s jasnými kritérii zastavení a vrácení.

Pokračujte v objevování

Newsletter zdarma

Získejte denní přehled o AI

Tři ověřené příběhy ze světa AI každý všední den ráno, psané srozumitelnou angličtinou. Navždy zdarma, bez reklam.

Jeden e-mail každý všední den. Odhlásit se můžete jedním kliknutím. Vaši adresu nikdy neprodáváme ani nesdílíme.

Otestujte se

Take the AI Prediction of Acute Kidney Injury quiz

Okamžitá zpětná vazba ke každé odpovědi a sdílitelný certifikát s ověřitelným ID po absolvování kurzu.

Spustit kvíz

Podpořte bezplatnou AI vzdělávání. AI Understanding je nezisková organizace 501(c)(3) — žádné reklamy, žádná platba za přístup, nikdy. Darujte

Často kladené otázky

Co je předpověď akutního poškození ledvin pomocí umělé inteligence?

AI predikce akutního poškození ledvin (AKI) využívá strojové učení na datech elektronických zdravotních záznamů k odhadu, u kterých hospitalizovaných pacientů se pravděpodobně vyvine AKI během příštího dne nebo dvou. Údaje zahrnují trendy kreatininu, výdej moči, léky, vitální funkce a diagnózy. Záleží na tom, protože AKI je v nemocnicích běžná a často tichá, dokud se kreatinin nezvýší. Včasné jednání, například vysazením léku, který poškozuje ledviny, nebo úpravou stavu tekutin, může poškození zabránit. Samotné výstrahy však spolehlivě nezlepšily výsledky.

Jaká změna kreatininu během 48 hodin se podle kritérií KDIGO popsaných v tomto průvodci kvalifikuje jako akutní poškození ledvin?

KDIGO definuje AKI jako zvýšení kreatininu alespoň o 0,3 mg/dl během 48 hodin, zvýšení na 1,5násobek výchozí hodnoty během sedmi dnů nebo nízké množství moči po dobu šesti hodin.

Proč se modely AKI snaží předvídat zranění místo čekání na zvýšení kreatininu?

Kreatinin stoupá poté, co již byly ledviny zraněny, takže čekáním na něj se promarní okno, ve kterém by mohla pomoci prevence.

Kolik falešných výstrah přišlo ve studii DeepMind a VA z roku 2019 s každou správnou předpovědí AKI?

Model předpověděl o něco více než polovinu epizod AKI na lůžku až 48 hodin dopředu, se zhruba dvěma falešnými výstrahami na každou skutečnou.

Pro kterou skupinu měl model AKI vycvičený VA horší výkon a proč?

Ženy byly ve VA datech zastoupeny nedostatečně a model pro ně dopadl hůře. To ukazuje, jak trénující populace formuje, komu model dobře slouží.

Co aplikace Streams společnosti DeepMind v Royal Free Hospital skutečně přinesla lékařům?

Streamy odesílaly upozornění z porovnání kreatininu na základě pravidel do telefonů lékařů. Nebyl to prediktor strojového učení, i když je to tak často popisováno.