«Ο εντοπισμός του κινδύνου HA-AKI με προγνωστικά μοντέλα θα μπορούσε να βοηθήσει στην υποστήριξη κλινικών αποφάσεων, όπως η προειδοποίηση των παρόχων να μην παραγγείλουν νεφροτοξικά φάρμακα, αλλά απαιτείται περαιτέρω μελέτη πριν από την κλινική εφαρμογή»
Νεφροί: Η οξεία νεφρική βλάβη που αποκτήθηκε από το νοσοκομείο (HA-AKI) είναι μια συχνή επιπλοκή σε νοσηλευόμενους ασθενείς που μπορεί να οδηγήσει σε χρόνια νεφρική νόσο και σχετίζεται με μεγαλύτερη παραμονή στο νοσοκομείο, υψηλότερο κόστος υγειονομικής περίθαλψης και αυξημένη θνησιμότητα. Δεδομένων αυτών των αρνητικών συνεπειών, η πρόληψη της HA-AKI μπορεί να βελτιώσει τα αποτελέσματα των ασθενών που νοσηλεύονται στο νοσοκομείο. Ωστόσο, η πρόβλεψη της έναρξης του HA-AKI είναι δύσκολη λόγω μεγάλου αριθμού παραγόντων που συμβάλλουν.
Ερευνητές από το Mass General Brigham Digital δοκίμασαν ένα εμπορικό εργαλείο μηχανικής μάθησης, το μοντέλο πρόβλεψης Epic Risk of HA-AKI, και διαπίστωσαν ότι ήταν μέτρια επιτυχές στην πρόβλεψη του κινδύνου HA-AKI σε καταγεγραμμένα δεδομένα ασθενών. Η μελέτη βρήκε χαμηλότερη απόδοση από αυτές που καταγράφηκαν από την εσωτερική επικύρωση της Epic Systems Corporation, υπογραμμίζοντας τη σημασία της επικύρωσης μοντέλων AI πριν από την κλινική εφαρμογή. Το μοντέλο Epic λειτουργεί αξιολογώντας τις συναντήσεις εσωτερικών ασθενών σε ενήλικες για τον κίνδυνο HA-AKI, που χαρακτηρίζονται από προκαθορισμένες αυξήσεις στα επίπεδα κρεατινίνης ορού. Αφού εκπαίδευσαν το μοντέλο χρησιμοποιώντας δεδομένα από νοσοκομεία MGB, οι ερευνητές το εξέτασαν σε δεδομένα από σχεδόν 40.000 νοσοκομειακές παραμονές για μια περίοδο πέντε μηνών μεταξύ Αυγούστου 2022 και Ιανουαρίου 2023. Το σύνολο δεδομένων ήταν εκτεταμένο με πολλά σημεία που συλλέχθηκαν σε συναντήσεις ασθενών, συμπεριλαμβανομένων πληροφοριών όπως δημογραφικά στοιχεία ασθενών, συννοσηρότητες, κύριες διαγνώσεις, επίπεδα κρεατινίνης ορού και διάρκεια παραμονής στο νοσοκομείο. Ολοκληρώθηκαν δύο αναλύσεις που εξετάζουν την απόδοση του μοντέλου σε επίπεδο συνάντησης και σε επίπεδο πρόβλεψης. Οι ερευνητές παρατήρησαν ότι το εργαλείο ήταν πιο αξιόπιστο κατά την αξιολόγηση ασθενών με χαμηλότερο κίνδυνο HA-AKI. Αν και το μοντέλο μπορούσε να προσδιορίσει με σιγουριά ποιοι ασθενείς χαμηλού κινδύνου δεν θα αναπτύξουν HA-AKI, δυσκολεύτηκε να προβλέψει πότε οι ασθενείς υψηλότερου κινδύνου θα μπορούσαν να αναπτύξουν HA-AKI.
Τα αποτελέσματα διέφεραν επίσης ανάλογα με το στάδιο του HA-AKI που αξιολογήθηκε — οι προβλέψεις ήταν πιο επιτυχημένες για το Στάδιο 1 HA-AKI σε σύγκριση με πιο σοβαρές περιπτώσεις. Οι συγγραφείς κατέληξαν στο συμπέρασμα ότι η εφαρμογή μπορεί να οδηγήσει σε υψηλά ποσοστά ψευδώς θετικών και ζήτησαν περαιτέρω μελέτη του κλινικού αντίκτυπου του εργαλείου. «Διαπιστώσαμε ότι το μοντέλο πρόβλεψης Epic ήταν καλύτερο στον αποκλεισμό ασθενών χαμηλού κινδύνου παρά στον εντοπισμό ασθενών υψηλού κινδύνου», δήλωσε ο επικεφαλής συγγραφέας της μελέτης Sayon Dutta, MD, MPH, της ομάδας Clinical Informatics της Mass General Brigham Digital και ένας γιατρός επειγόντων περιστατικών στο Γενικό Νοσοκομείο της Μασαχουσέτης. «Ο εντοπισμός του κινδύνου HA-AKI με προγνωστικά μοντέλα θα μπορούσε να βοηθήσει στην υποστήριξη κλινικών αποφάσεων, όπως η προειδοποίηση των παρόχων να μην παραγγείλουν νεφροτοξικά φάρμακα, αλλά απαιτείται περαιτέρω μελέτη πριν από την κλινική εφαρμογή». Η μελέτη δημοσιεύεται στο περιοδικό NEJM AI.
Ακολουθήστε το healthweb.gr στο Google News και μάθετε πρώτοι όλες τις ειδήσεις
Ακολουθήστε το healthweb.gr στο κανάλι μας στο YouTube
