هوش مصنوعی علائم آسیب کلیه را با دقت بالا پیش بینی میکند

در مطالعه اخیر منتشر شده در Scientific Reports، محققان یک الگوریتم یادگیری ماشینی (ML) برای پیش‌بینی علائم آسیب کلیه را با دقت بالا پیش بینی میکند را توسعه دادند.

آنها دقت آن را در گروه بزرگی از بیماران بستری شده در بخش مراقبت های ویژه پزشکی یا جراحی (ICU) در بیمارستان دانشگاه چیبا در ژاپن بین نوامبر 2010 تا مارس 2019 تأیید کردند.

الیگوری، یعنی خروجی ادرار کمتر از 0.5 میلی لیتر بر کیلوگرم در ساعت، معیاری است که می تواند آسیب حاد کلیه (AKI) را در بیماران ICU پیش بینی کند. AKI که با افزایش سریع سطح کراتینین سرم یا کاهش برون ده ادرار مشخص می شود، یکی از علل اصلی عوارض در طول بستری در بخش مراقبت های ویژه است که در بدترین حالت ممکن است حتی منجر به اختلال عملکرد اندام و مرگ شود.

تشخیص زودهنگام و مداخلات سریع آن می تواند پیش آگهی بیماران ICU شدیداً بیمار را بهبود بخشد و پیامدهای تشخیصی را برای الیگوری در مدیریت AKI نشان دهد.

مطالعات رویکردهای ML را برای پیش‌بینی برون ده ادرار در بیماران بدحال ارزیابی کرده‌اند. با این حال، دقت آنها در پیش‌بینی الیگوری در یک محیط ICU ناشناخته باقی مانده است.

در مطالعه حاضر، محققان از یک الگوریتم ML برای پیش‌بینی الیگوری در بیماران بدحال استفاده کردند که در ساعت‌های 6 و 72 رخ می‌دهد، از یک زمان دلخواه در طول اقامت آنها در ICU.

آنها AKI را به عنوان سطح کراتینین سرم حداقل 0.3 میلی گرم در دسی لیتر بالاتر از سطح پایه و الیگوری را به عنوان برون ده ادرار کمتر از 0.5 میلی لیتر بر کیلوگرم در ساعت تعریف کردند.

پرونده الکترونیک سلامت بیمار (EHRs)، یعنی مجموعه داده مطالعه اولیه، شامل 1031 متغیر ورودی، مانند اندازه‌گیری‌های فیزیولوژیکی، آزمایش‌های خون، داروها، مشاهدات عمومی و سوابق مراقبتی، و جزئیات انتقال خون است.

این تیم جداول سری زمانی ساعتی حجم ادرار و مدفوع بیماران (اندازه‌گیری‌های فیزیولوژیکی) را محاسبه کردند و از جدیدترین مقادیر آزمایش استفاده شده برای آزمایش‌های خون استفاده کردند.

با استفاده از این متغیرهای ساعتی و اطلاعات پایه، تیم یک مدل ML را برای پیش‌بینی الیگوری در بیماران ICU ایجاد کرد.

در این، آنها 222 متغیر اطلاعات پس زمینه، به عنوان مثال، سن را اضافه کردند که منجر به 1127 متغیر در مجموعه داده نهایی شد. علاوه بر این، آنها مقادیر همخطی بالقوه را حذف کردند و مقادیر گمشده را به طور جداگانه درمان کردند یا آنها را از تجزیه و تحلیل حذف کردند.

این تیم عملکرد چهار طبقه‌بندی کننده ML را با استفاده از اعتبارسنجی متقاطع پنج‌گانه تأیید کرد، جایی که منحنی کالیبراسیون نشان داد که مدل به خوبی کالیبره شده است.

مدل پیش‌بینی LightGBM بهترین سرعت و سطح زیر منحنی (AUC) را نشان داد. مقادیر AUC از صفر تا یک متغیر بود که یک نشان دهنده یک پیش بینی کامل است. علاوه بر این، مقادیر توضیح افزودنی Shapley (SHAP) به ارزیابی متغیرهای کلیدی کمک کرد و تفسیرپذیری مدل‌های ML را بهبود بخشید.

نمودارهای نیروی فردی SHAP به تجسم تأثیر متغیرهای مختلف بر احتمال وقوع الیگوری کمک کرد، و درک وقوع الیگوری را در دو بیمار، یکی با الیگوری و دیگری بدون الیگوری، بر اساس ویژگی‌های آنها بیشتر کرد.