כלי בינה מלאכותית מהפכנית חוזה סימני פגיעה בכליות בדיוק גבוה בטיפול נמרץ

במחקר שפורסם לאחרונה ב דוחות מדעיים, חוקרים פיתחו אלגוריתם למידת מכונה (ML) לחיזוי אוליגוריה.

הם אימתו את הדיוק שלו בקבוצה גדולה של חולים שאושפזו ליחידות טיפול נמרץ רפואי או כירורגי (ICUs) בבית החולים האוניברסיטאי צ'יבה ביפן בין נובמבר 2010 למרץ 2019.

לימוד: מודל למידת מכונה לחיזוי אוליגוריה בחולים קשים. קרדיט תמונה: LALAKA/Shutterstock.com

רקע כללי

אוליגוריה, כלומר תפוקת שתן של <0.5 מ"ל/ק"ג/שעה, היא מדד שיכול לחזות פגיעה בכליות חריפה (AKI) בחולי טיפול נמרץ.

AKI, המאופיינת בעלייה מהירה ברמות הקראטינין בסרום או ירידה בתפוקת השתן, היא גורם מוביל לסיבוכים במהלך אשפוזים בטיפול נמרץ, שבמקרה הגרוע ביותר עלול לגרום אפילו לתפקוד לקוי של איברים ולמוות.

הזיהוי המוקדם וההתערבות המיידית שלו יכולים לשפר את הפרוגנוזה של חולי טיפול נמרץ קשים, ולהראות עוד השלכות אבחנתיות על אוליגוריה בניהול AKI.

מחקרים העריכו גישות ML לחיזוי תפוקת שתן בחולים קשים; עם זאת, הדיוק שלהם בניבוי אוליגוריה במצב טיפול נמרץ נותר לא ידוע.

לגבי המחקר

במחקר הנוכחי, החוקרים השתמשו באלגוריתם ML כדי לחזות אוליגוריה בחולים קשים, המתרחשת לאחר 6 ו-72 שעות, החל מזמן שרירותי במהלך שהותם בטיפול נמרץ.

הם הגדירו AKI כרמת קריאטינין בסרום של לפחות 0.3 מ"ג/ד"ל מעל קו הבסיס ואוליגוריה כתפוקת שתן של פחות מ-0.5 מ"ל/ק"ג/שעה.

רשומות הבריאות האלקטרוניות של המטופל (EHRs), כלומר מערך המחקר הראשוני, הקיפו 1,031 משתני קלט, כגון מדידות פיזיולוגיות שלהם, בדיקות דם, תרופות, רישומי תצפית וטיפול כלליים ופרטי עירוי דם.

הצוות חישב טבלאות של סדרות זמן לפי שעות של נפחי השתן והצואה של החולים (מדידות פיזיולוגיות) והשתמש בערכי הבדיקה העדכניים ביותר ששימשו לבדיקות דם.

תוך שימוש במשתנים שעתיים אלה ומידע בסיסי, הצוות פיתח מודל ML לניבוי אוליגוריה בחולי טיפול נמרץ.

בכך, הם הוסיפו 222 משתני מידע רקע, למשל, גיל, מה שהביא ל-1,127 משתנים במערך הנתונים הסופי.

יתרה מכך, הם הסירו ערכי קולינאריות פוטנציאליים וטיפלו בנפרד בערכים החסרים או הוציאו אותם מהניתוח.

הצוות אימת את הביצועים של ארבעה מסווגים של ML באמצעות אימות צולב פי חמישה, כאשר עקומת הכיול ציינה שהמודל מכויל היטב.

מודל חיזוי LightGBM הראה את המהירות והשטח מתחת לעקומה הטובים ביותר (AUC). ערכי ה-AUC נעו בין אפס לאחד, כאשר אחד מצביע על חיזוי מושלם.

יתרה מזאת, ערכי הסבר תוסף של Shapley (SHAP) עזרו להעריך משתני מפתח, תוך שיפור יכולת הפרשנות של מודלים של ML.

עלילות כוח אינדיבידואליות של SHAP עזרו להמחיש את ההשפעה של משתנים שונים על ההסתברות להתרחשות אוליגוריה, והעצימו עוד יותר את ההבנה של התרחשות אוליגוריה בשני חולים, אחד עם אוליגוריה ואחד ללא אוליגוריה, בהתבסס על תכונותיהם.

תוצאות

מתוך 9,241 חולי טיפול נמרץ שנכללו במחקר, ל-27.4% ו-30.2% היה תפוקת שתן <0.5 מ"ל/ק"ג/שעה במשך שש שעות ו-AKI, בהתאמה. מודל ה-ML הראה AUC של 0.964 כדי לחזות אוליגוריה בשש שעות באמצעות משתנים מסוימים.

האימות הצול הביא ל-AUC נמוך מעט של 0.920, אך קרוב ל-AUC המקורי, מה שמרמז על הדיוק הגבוה של המודל בחיזוי אוליגוריה לאחר שש שעות.

ערכי SHAP שנמצאו חשובים לניבוי אוליגוריה בשש שעות היו ציון הערכת איבר איברים עוקבים (SOFA), ערכי שתן, רמות קריאטינין בסרום, קריאטינין קינאז, בילירובין כולל, לחץ חלקי חמצן (pO2), אינטרלויקין (IL)-6, פיברינוגן. /תוצרי פיברין (FDP) וטמפרטורה היקפית. משתנים אלה גם חזו היטב אוליגוריה לאחר 72 שעות.

בהשוואה בין שני מטופלים עם תכונות שונות, ניתוח SHAP הציע שנפח שתן גבוה יותר הפחית את ההסתברות להופעת אוליגוריה, ורמות הלקטאט דהידרוגנאז (LDH) ו-FDP הגדילו את ההסתברות הזו.

לכן, המודל חזה סבירות נמוכה יותר להתרחשות אוליגוריה בשש שעות עבור המטופל הראשון.

בחולה השני, ציון גבוה יותר של פיזיולוגיה חריפה ובריאות כרונית (APACHE) II ונפח שתן נמוך יותר העלו את ההסתברות לאוליגוריה, ורמות חומצת שתן תקינות (UA), LDH ו-IL-6 הפחיתו אותה. המודל, לפיכך, חזה סיכון מוגבר לאוליגוריה לאחר שש שעות עבור מטופל זה.

ה-AUC של מודל החיזוי לאוליגוריה לאחר 72 שעות היה 0.916, שוב, דבר המצביע על דיוק גבוה שלו.

בניתוחי תת הקבוצות, הדיוק של המודל בקבוצות הנקבות והפורוסמיד ירד עם הזמן מאשר בשאר הקבוצות, עם דיוק גבוה יחסית (AUC = 0.86) אפילו לאחר 72 שעות.

מסקנות

לדברי המחברים, מחקרים קודמים אימתו את הדיוק של מודל ML לניבוי AKI בחולים קשים אך עם דיוק נמוך יותר, AUCs בטווח של 0.74 עד 0.93.

מודל המחקר הנוכחי, להיפך, הראה דיוק גבוה יותר (> 0.90), שאותו הם ייחסו לגודל המדגם הגדול ולבחירת שיטה לניבוי הופעת אוליגוריה מזמן שרירותי, מה שהביא ליותר מערכי אימון.

מכיוון שאוליגוריה יכולה לזהות יותר חולים עם AKI מוקדם מאבחון המבוסס על רמות קריאטינין בסרום, מודל המחקר יכול לעזור בזיהוי מוקדם של חולים עם AKI, ולשפר את הפרוגנוזה של אוכלוסייה זו באמצעות ניהול טוב יותר והתערבויות מוקדמות.

עבודה עתידית יכולה להתמקד באימות הדיוק של מודלים חיזויים מבוססי ML עוד יותר.