Gids voor industrieën
AI-voorspelling van acuut nierletsel
AI-voorspelling van acuut nierletsel (AKI) maakt gebruik van machinaal leren op elektronische medische dossiergegevens om te schatten welke ziekenhuispatiënten waarschijnlijk de komende twee dagen AKI zullen ontwikkelen.
Op deze pagina4 minuten lezen
Overzicht
De gegevens omvatten creatininetrends, urineproductie, medicijnen, vitale functies en diagnoses. Het is belangrijk omdat AKI veel voorkomt in ziekenhuizen en vaak stil blijft totdat de creatinine stijgt. Vroegtijdig handelen, bijvoorbeeld door te stoppen met een medicijn dat de nieren schaadt of door de vochtstatus te corrigeren, kan schade voorkomen. Toch hebben waarschuwingen op zichzelf de resultaten niet op betrouwbare wijze verbeterd.
Diepe duik
Acuut nierletsel is een plotselinge daling van de nierfunctie. Artsen definiëren dit met de KDIGO-criteria: serumcreatinine stijgt binnen 48 uur met minstens 0,3 mg/dl, of stijgt binnen zeven dagen tot 1,5 keer de uitgangswaarde, of de urineproductie blijft zes uur lang onder de 0,5 ml/kg per uur. De valkuil is dat creatinine een achterblijvende marker is. Tegen de tijd dat het opkomt, kan het letsel een dag of langer oud zijn. Voorspellingsmodellen proberen die vertraging voor te zijn. Ze leren uit vele eerdere opnames welke patronen vóór AKI kwamen: kleine creatinineafwijkingen, stijgend bloedureumstikstof, lage bloeddruk, sepsis, recente operaties, chronische nierziekte en blootstelling aan medicijnen die de nieren kunnen beschadigen, zoals vancomycine, aminoglycosiden, NSAID's of IV-contrast. Het bekendste onderzoek kwam van DeepMind en het Amerikaanse Department of Veterans Affairs en werd in 2019 in Nature gepubliceerd. Een terugkerend neuraal netwerk dat was getraind op VA-records voorspelde iets meer dan de helft van de AKI-episodes in het ziekenhuis tot 48 uur vooruit. Het leverde grofweg twee valse waarschuwingen op voor elke echte waarschuwing. Het presteerde ook slechter voor vrouwen, die slechts een klein deel van de VA-patiënten vormden. Dat laat zien hoe de opleidingspopulatie bepaalt wie een model goed dient. Een veel voorkomende misvatting is dat de Streams-app van DeepMind in het Royal Free Hospital in Londen AI was. Dat was het niet. Streams stuurden waarschuwingen naar de telefoons van artsen via het NHS England AKI-algoritme, een op regels gebaseerde vergelijking van creatininewaarden. Streams werd beter bekend door een bevinding uit 2017 van de Britse Information Commissioner's Office dat het ziekenhuis de wetgeving inzake gegevensbescherming niet had nageleefd toen het patiëntendossiers deelde met DeepMind. De grotere les is dat voorspellen niet hetzelfde is als voordeel. Gerandomiseerde onderzoeken bij Yale, geleid door F. Perry Wilson, testten elektronische waarschuwingen die werden geactiveerd zodra AKI aanwezig was. De waarschuwingen hebben de uitkomsten zoals dialyse of overlijden in het algemeen niet verminderd. Een waarschuwing helpt alleen als iemand ernaar handelt en er sprake is van een effectieve actie voor die patiënt.
Strategische impact
Context en regels
De industriële context bepaalt of AI-ideeën het contact met de werkelijkheid overleven.
Kwaliteitscontrole
Domeinbeperkingen beïnvloeden aanvaardbare foutenpercentages en toezichtmodellen.
Bouwkeuzes
Succesvolle implementaties stemmen de technische mogelijkheden af op frontline-workflows.
De toekomst van AI Voorspelling van acuut nierletsel
Er worden verschillende richtingen onderzocht, waaronder het combineren van modelrisicoscores met biomarkers voor nierstress gemeten in urine, en het koppelen van waarschuwingen aan specifieke zorgbundels in plaats van een kale waarschuwing. Kleine onderzoeken met biomarkergeleide zorgbundels na hartchirurgie hebben minder AKI-gevallen gemeld. Het is nog steeds onduidelijk of AI-gestuurde waarschuwingen de dialysepercentages, het nierherstel of de overleving op grote schaal verbeteren. Ziekenhuizen die deze hulpmiddelen overwegen, moeten dus op zoek gaan naar toekomstig, gerandomiseerd bewijsmateriaal en de prestaties bij hun eigen patiënten controleren. Eerlijkheidscontroles op het gebied van geslacht, ras en zorg zullen waarschijnlijk routine worden, omdat de VA-studie heeft aangetoond hoeveel een model de opleidingspopulatie kan weerspiegelen.
Implementatie in de echte wereld
Een model beoordeelt elke ziekenhuispatiënt opnieuw telkens wanneer er een nieuw laboratoriumresultaat wordt geplaatst. Het markeert een postoperatieve patiënt die vancomycine en piperacilline-tazobactam gebruikt en wiens creatinine is gestegen van 0,8 naar 1,0 mg/dl, voordat de stijging voldoet aan de formele KDIGO-definitie van AKI.
Een hartchirurgieteam gebruikt vóór de operatie een risicomodel om te kiezen welke bypass-patiënten elk uur de urineproductie moeten monitoren en een plan om IV-contrast in de eerste dagen na de operatie te vermijden.
Een klinisch apotheker krijgt dagelijks een lijst van patiënten met een hoog risico en controleert elke patiënt op risicovolle medicijncombinaties, zoals een NSAID met een ACE-remmer en een diureticum, en adviseert vervolgens om te stoppen of een van deze te vervangen.
Een ICU-dashboard combineert de urineproductie per uur met de vochtbalans en waarschuwt voor dalende urineproductie. De verpleegkundige controleert eerst of er een geblokkeerde urinekatheter is, wat een veelvoorkomende oorzaak is van een lage geregistreerde output buiten de nieren.
Risico's en vangrails
Regelgevingsvereisten kunnen anderszins sterke prototypes ongeldig maken.
Historische gegevens kunnen vooroordelen coderen die specifieke gemeenschappen schade toebrengen.
Oudere systemen kunnen integratieknelpunten en verborgen kosten veroorzaken.
Implementatie routekaart
Betrek domeinexperts, van het formuleren van het probleem tot de evaluatie.
Ontwerp audit trails en documentatie vóór de lancering.
Valideer compliance- en veiligheidsverplichtingen vroegtijdig.
Uitrol in fasen met duidelijke stop- en terugdraaicriteria.
Blijf verkennen
Free newsletter
Get the daily AI briefing
Three verified AI stories every weekday morning, written in plain English. Free forever, no ads.
One email each weekday. Unsubscribe in one click. We never sell or share your address.
Test yourself
Take the AI Prediction of Acute Kidney Injury quiz
Instant feedback on every answer, and a shareable certificate with a verifiable ID once you pass a course.
Support free AI education. AI Understanding is a 501(c)(3) nonprofit — no ads, no paywall, ever. Make a donation
Veelgestelde vragen
Wat is AI-voorspelling van acuut nierletsel?
AI-voorspelling van acuut nierletsel (AKI) maakt gebruik van machinaal leren op elektronische medische dossiergegevens om te schatten welke ziekenhuispatiënten waarschijnlijk de komende twee dagen AKI zullen ontwikkelen. De gegevens omvatten creatininetrends, urineproductie, medicijnen, vitale functies en diagnoses. Het is belangrijk omdat AKI veel voorkomt in ziekenhuizen en vaak stil blijft totdat de creatinine stijgt. Vroegtijdig handelen, bijvoorbeeld door te stoppen met een medicijn dat de nieren schaadt of door de vochtstatus te corrigeren, kan schade voorkomen. Toch hebben waarschuwingen op zichzelf de resultaten niet op betrouwbare wijze verbeterd.
Welke creatinineverandering binnen 48 uur kwalificeert volgens de KDIGO-criteria die in deze gids worden beschreven als acuut nierletsel?
KDIGO definieert AKI als een stijging van het creatininegehalte van ten minste 0,3 mg/dl binnen 48 uur, een stijging tot 1,5 keer de uitgangswaarde binnen zeven dagen, of een lage urineproductie gedurende zes uur.
Waarom proberen AKI-modellen blessures te voorspellen in plaats van te wachten tot de creatinine stijgt?
Creatinine stijgt nadat de nieren al beschadigd zijn, dus als je erop wacht, verspil je de tijd waarin preventie zou kunnen helpen.
Hoeveel valse waarschuwingen kwamen er in het DeepMind- en VA-onderzoek van 2019 ongeveer bij elke correcte AKI-voorspelling?
Het model voorspelde iets meer dan de helft van de klinische AKI-episodes tot 48 uur vooruit, met grofweg twee valse waarschuwingen voor elke echte.
Voor welke groep presteerde het VA-getrainde AKI-model slechter, en waarom?
Vrouwen waren ondervertegenwoordigd in VA-gegevens, en het model deed het slechter voor hen. Dit laat zien hoe de opleidingspopulatie bepaalt wie een model goed dient.
Wat heeft de Streams-app van DeepMind in het Royal Free Hospital de artsen daadwerkelijk opgeleverd?
Streams stuurden waarschuwingen van een op regels gebaseerde creatininevergelijking naar de telefoons van artsen. Het was geen machine learning-voorspeller, ook al wordt het vaak zo beschreven.
Blijf leren
Gerelateerde gidsen
Er zijn meer handleidingen voor dit onderwerp geselecteerd