Многие пострадавшие от ожогов страдают острым повреждением почек (ОПП), но раннее выявление ОПП остается сложной задачей. Теперь модель искусственного интеллекта / машинного обучения (AI / ML), разработанная в UC Davis Health и представленная в новом исследовании, может прогнозировать острое повреждение почек быстрее и точнее, чем когда-либо.
"Возможность прогнозировать ОПП у ожоговых пациентов с помощью искусственного интеллекта является потенциальным прорывом для ожоговых центров," сказала Тина Палмиери, профессор и директор Регионального ожогового центра Института ожогов пожарных в Медицинском центре Калифорнийского университета в Дэвисе. "Если мы можем сказать, что у пациента может быть повреждение почек, мы можем принять меры для его предотвращения."
Что такое острая травма почек?
Острое повреждение почек (ОПП) – это внезапная почечная недостаточность или повреждение, вызывающее накопление отходов в крови и дисбаланс жидкости в организме. ОПП обычно случается в течение первой недели после серьезного ожога из-за неадекватной реанимации, особенно во время критических первых 24 дней?часы. ОПП, развивающаяся примерно в 30% случаев, является частым осложнением после тяжелого ожога, при этом уровень смертности достигает 80%.
Диагностика острого повреждения почек
Врачи обычно полагаются на традиционные биомаркеры, такие как креатинин сыворотки / плазмы и диурез, для диагностики. Однако диурез и уровень креатинина считаются плохими биомаркерами ОПП.
"Калифорнийский университет Дэвис был первым, кто определил роль нового биомаркера, известного как липокалин, ассоциированного с желатиназой нейтрофилов (NGAL), в раннем прогнозировании ОПП у пациентов с тяжелыми ожогами," сказал Нам Тран, доцент кафедры патологии и лабораторной медицины Калифорнийского университета в Дэвисе.
Несмотря на свою сильную прогностическую силу, NGAL не был доступен в Соединенных Штатах, и его интерпретация требовала более опытных клиницистов и лабораторных экспертов. Эта проблема побудила к разработке модели машинного обучения искусственного интеллекта, чтобы упростить интерпретацию результатов теста NGAL.
Машинное обучение улучшает распознавание острого повреждения почек
Иногда в мире AI / ML предполагается, что более сложные алгоритмы, такие как глубокая нейронная сеть, лучше, чем более традиционные алгоритмы при построении моделей ML. Это предположение не всегда верно.
"Мы построили мощную модель машинного обучения с помощью нашего подхода k-ближайшего соседа, который может точно прогнозировать ОПП у нашей популяции пациентов за гораздо более короткий период," сказал Хуман Рашиди, профессор кафедры патологии и лабораторной медицины в UC Davis Health. "Основываясь на данных госпитализации, модель может сократить время до постановки диагноза на целых два дня."
Модели были обучены и протестированы с клиническими лабораторными данными для 50 взрослых ожоговых пациентов, у которых были измерены NGAL, диурез, креатинин и NT-proBNP в течение первых 24 часов после госпитализации. У половины пациентов в наборе данных ОПП развился в течение первой недели после госпитализации. Модели, содержащие NGAL, креатинин, диурез и NT-proBNP, достигли точности 90-100% для определения AKI. Модели, содержащие только NT-proBNP и креатинин, достигли точности 80-90%.
Среднее время от поступления до постановки диагноза с использованием традиционных биомаркеров составило 42.7 часов. Среднее время использования алгоритма ML было всего 18.8 часов. Модель ML превосходит традиционный метод почти на целый день – критическое время для профилактики и лечения ОПП.
"В нашем исследовании AI / ML продемонстрировал потенциальную клиническую полезность для прогнозирования ОПП, связанных с ожогами, при использовании всего нескольких стандартных лабораторных результатов," Тран добавил.
Приложения и последствия новой модели
У этой модели есть приложения для использования в полевых условиях, в том числе для раненых. Поскольку войска могут быть отправлены в больницы, в которых нет средств для лечения травм почек, метод AI / ML может быстрее выявлять пациентов с ОПН, чтобы их можно было быстрее перенаправить в передовые медицинские учреждения. Это оптимизирует ограниченные ресурсы на поле боя и ускоряет доставку пациентов туда, куда им нужно. Тот же процесс применяется в гражданском мире.
"Мы предполагаем, что такие платформы машинного обучения будут включены в различные среды за пределами AKI, что в конечном итоге может улучшить различные аспекты ухода за пациентами в сфере клинической медицины," Рашиди добавил.