РУКОВОДСТВО ПО Отраслям

Прогнозирование острого повреждения почек с помощью искусственного интеллекта

Прогноз острого повреждения почек (ОПП) с помощью искусственного интеллекта использует машинное обучение на основе данных электронных медицинских карт, чтобы оценить, у каких госпитализированных пациентов может развиться ОПП в ближайшие день или два.

Прослушайте это руководствоОзвучено ИИ · ~3 min

На этой странице4 минуты чтения
  1. Обзор
  2. Глубокое погружение
  3. Реальная реализация
  4. Будущее прогнозирования острого повреждения почек с помощью искусственного интеллекта
  5. Применение на практике
  6. Продолжайте исследовать
  7. Часто задаваемые вопросы

Обзор

Данные включают тенденции креатинина, диурез, лекарства, жизненно важные показатели и диагнозы. Это важно, потому что ОПП часто встречается в больницах и часто протекает молча, пока не повысится уровень креатинина. Ранние действия, например, прекращение приема препарата, который вредит почкам, или корректировка состояния жидкости, могут предотвратить повреждение. Тем не менее, оповещения сами по себе не привели к достоверному улучшению результатов.

Глубокое погружение

Острое повреждение почек – это внезапное снижение функции почек. Клиницисты определяют это с помощью критериев KDIGO: уровень креатинина в сыворотке повышается как минимум на 0,3 мг/дл в течение 48 часов или повышается в 1,5 раза от исходного уровня в течение семи дней, или диурез остается ниже 0,5 мл/кг в час в течение шести часов. Загвоздка в том, что креатинин является отстающим маркером. К тому времени, когда он поднимется, травме может быть один день или больше. Модели прогнозирования пытаются опередить это отставание. Из многих прошлых госпитализаций они узнают, какие закономерности предшествовали ОПП: небольшие отклонения креатинина, повышение содержания азота мочевины в крови, низкое кровяное давление, сепсис, недавнее хирургическое вмешательство, хроническое заболевание почек и воздействие препаратов, которые могут нанести вред почкам, таких как ванкомицин, аминогликозиды, НПВП или внутривенное контрастирование. Самое известное исследование было проведено DeepMind и Департаментом по делам ветеранов США и опубликовано в журнале Nature в 2019 году. Рекуррентная нейронная сеть, обученная на записях ВА, предсказала чуть более половины эпизодов ОПП в стационаре на срок до 48 часов вперед. На каждое истинное оповещение выдавалось примерно два ложных. Результаты также были хуже для женщин, которые составляли лишь небольшую долю пациентов с ВА. Это показывает, как обучающаяся популяция влияет на то, кому хорошо служит модель. Распространенным заблуждением является то, что приложение Streams DeepMind в Королевской бесплатной больнице в Лондоне было искусственным интеллектом. Это не так. Потоки отправляли на телефоны врачей оповещения от алгоритма NHS England AKI, который представляет собой сравнение значений креатинина на основе правил. Streams стала более известна благодаря выводу Управления комиссара по информации Великобритании в 2017 году о том, что больница не соблюдала закон о защите данных, когда делилась записями пациентов с DeepMind. Более важный урок заключается в том, что прогнозирование — это не то же самое, что выгода. В рандомизированных исследованиях в Йельском университете под руководством Ф. Перри Уилсона проверялись электронные оповещения, которые срабатывали при наличии ОПП. Предупреждения не уменьшили такие последствия, как диализ или смертность в целом. Предупреждение помогает только в том случае, если кто-то действует в соответствии с ним и для этого пациента существует эффективное действие.

Реальная реализация

Модель повторно оценивает каждого стационарного пациента каждый раз, когда публикуются новые результаты лабораторных исследований. Он указывает на послеоперационного пациента, принимавшего ванкомицин и пиперациллин-тазобактам, у которого уровень креатинина поднялся с 0,8 до 1,0 мг/дл, прежде чем этот рост соответствует формальному определению ОПП KDIGO.

Перед операцией команда кардиохирургов использует модель риска, чтобы выбрать, какие пациенты с шунтированием будут получать ежечасный мониторинг диуреза, и план, позволяющий избежать внутривенного контрастирования в первые дни после операции.

Клинический фармацевт ежедневно составляет список пациентов из группы высокого риска и проверяет каждого на наличие рискованных комбинаций лекарств, таких как НПВП с ингибитором АПФ и диуретиком, а затем рекомендует прекратить прием или заменить один из них.

Приборная панель отделения интенсивной терапии объединяет почасовой диурез с балансом жидкости и предупреждает о падении диуреза. Медсестра сначала проверяет, нет ли закупорки мочевого катетера, что является распространенной не почечной причиной низкого регистрируемого выделения.

Будущее прогнозирования острого повреждения почек с помощью искусственного интеллекта

Изучаются несколько направлений, в том числе объединение модельных показателей риска с биомаркерами стресса почек, измеряемыми в моче, а также объединение предупреждений с конкретными пакетами услуг вместо простого предупреждения. Небольшие исследования комплексов помощи на основе биомаркеров после кардиохирургических операций показали меньшее количество случаев ОПП. До сих пор неясно, улучшают ли оповещения, управляемые ИИ, показатели диализа, восстановление почек или выживаемость в больших масштабах, поэтому больницам, рассматривающим возможность использования этих инструментов, следует искать проспективные рандомизированные данные и проверять эффективность на своих собственных пациентах. Проверки на справедливость в отношении пола, расы и условий ухода, вероятно, станут рутинными, поскольку исследование VA показало, насколько модель может отражать обучающуюся аудиторию.

Применение на практике

Почему это важно

  • Контекст и правила. Отраслевой контекст определяет, выживут ли идеи ИИ при контакте с реальностью.
  • Контроль качества. Ограничения предметной области влияют на приемлемый уровень ошибок и модели надзора.
  • Выбор сборки. Успешные развертывания позволяют согласовать технические возможности с рабочими процессами на переднем крае.

Следите за

  • Нормативные требования могут сделать недействительными сильные прототипы.
  • Исторические данные могут отражать предвзятость, которая наносит вред конкретным сообществам.
  • Устаревшие системы могут создавать узкие места в интеграции и скрытые затраты.

Следующие шаги

  1. Привлекайте экспертов в предметной области от постановки проблемы до оценки.
  2. Разработайте журналы аудита и документацию перед запуском.
  3. Заблаговременно проверяйте соответствие требованиям и обязательства по безопасности.
  4. Развертывание поэтапно с четкими критериями остановки и отката.

Продолжайте исследовать

Бесплатная рассылка

Получайте ежедневный AI-обзор

Три проверенных AI-истории каждое утро буднего дня, написанные простым английским. Бесплатно навсегда, без рекламы.

Одно электронное письмо каждый будний день. Отписаться в один клик. Мы никогда не продаем и не передаем ваш адрес.

Проверьте себя

Take the AI Prediction of Acute Kidney Injury quiz

Мгновенная обратная связь по каждому ответу и общий сертификат с проверяемым идентификатором после прохождения курса.

Начать тест

Поддержите бесплатное образование в области искусственного интеллекта. AI Understanding — это некоммерческая организация 501(c)(3). Никакой рекламы и платного доступа. Сделать пожертвование

Часто задаваемые вопросы

Что такое ИИ-прогнозирование острого повреждения почек?

Прогноз острого повреждения почек (ОПП) с помощью искусственного интеллекта использует машинное обучение на основе данных электронных медицинских карт, чтобы оценить, у каких госпитализированных пациентов может развиться ОПП в ближайшие день или два. Данные включают тенденции креатинина, диурез, лекарства, жизненно важные показатели и диагнозы. Это важно, потому что ОПП часто встречается в больницах и часто протекает молча, пока не повысится уровень креатинина. Ранние действия, например, прекращение приема препарата, который вредит почкам, или корректировка состояния жидкости, могут предотвратить повреждение. Тем не менее, оповещения сами по себе не привели к достоверному улучшению результатов.

Согласно критериям KDIGO, описанным в этом руководстве, какое изменение креатинина в течение 48 часов квалифицируется как острое повреждение почек?

KDIGO определяет ОПП как повышение креатинина как минимум на 0,3 мг/дл в течение 48 часов, повышение в 1,5 раза от исходного уровня в течение семи дней или низкий диурез в течение шести часов.

Почему модели ОПП пытаются предсказать травму, а не ждут повышения креатинина?

Уровень креатинина повышается после того, как почки уже были повреждены, поэтому ожидание этого момента упускает время, когда профилактика могла бы помочь.

В исследовании DeepMind и VA 2019 года примерно сколько ложных предупреждений приходилось на каждый правильный прогноз ОПП?

Модель предсказала чуть более половины эпизодов ОПП в стационаре на срок до 48 часов вперед, примерно с двумя ложными оповещениями на каждый истинный.

Для какой группы модель AKI, обученная VA, показала худшие результаты и почему?

Женщины были недостаточно представлены в данных VA, и модель оказалась для них хуже. Это показывает, как обучающаяся совокупность влияет на то, кому хорошо служит модель.

Что на самом деле дало врачам приложение Streams от DeepMind в Королевской бесплатной больнице?

Потоки отправляли оповещения о сравнении креатинина на основе правил на телефоны врачей. Это не был предиктор машинного обучения, хотя его часто так описывают.

Продолжайте учиться

Связанные руководства

Другие руководства, выбранные по этой теме

Получите бесплатный AI-сертификатКороткий бесплатный курс и экзамен. Без стоимости, без карты. Около 2,5 часов.Начать бесплатно →