Искусственный интеллект для лечения острого повреждения почек
Острое повреждение почек (ОПП) часто осложняет критическое заболевание, при этом лечение сосредоточено на поддерживающей терапии в соответствии с руководством Kidney Disease Improving Global Outcomes (KDIGO) из-за отсутствия конкретных методов лечения, направленных на устранение последствий. Хотя своевременное внедрение этих рекомендаций может снизить послеоперационное умеренное и тяжелое ОПП, соблюдение рекомендаций в повседневной клинической практике остается низким.
Искусственный интеллект (ИИ), в частности машинное обучение (МО), улучшает раннее выявление ОПН, персонализирует лечение и поддерживает принятие клинических решений, улучшая соблюдение рекомендаций. МО позволяет системам обучаться на основе данных и оптимизировать выполнение задач.
Методы МО могут предсказывать ОПН за 24–48 часов до изменения уровня креатинина в сыворотке. Постоянная валидация и исследования, ориентированные на результаты, имеют важное значение для их внедрения в повседневную клиническую практику.
Испытание PrevAKI подчеркнуло гемодинамическую оптимизацию и избегание нефротоксичных препаратов как ключевые меры по предотвращению умеренного или тяжелого ОПН после операции на сердце. Нефротоксичные препараты, часто используемые в комбинации и в течение длительного времени, способствуют 19–26% случаев ОПН, приобретенных в больнице. Компьютерная система поддержки принятия решений снизила заболеваемость ОПН у госпитализированных детей с высоким риском, при этом продолжаются исследования по оценке ее эффективности у взрослых и детей в критическом состоянии.
Формулы на основе креатинина для оценки скорости клубочковой фильтрации (СКФ) ненадежны у пациентов с мышечной атрофией. Новый инструмент МО прогнозирует клиренс креатинина (CrCl) на следующий день у пациентов отделения интенсивной терапии для повышения точности дозировки лекарств. Его эффективность у пациентов с ОПН и его влияние на восстановление почек требуют дальнейшего изучения. Измерение СКФ в реальном времени в сочетании с ИИ может улучшить раннее выявление снижения СКФ, что позволит проводить своевременные вмешательства.
Дозировка ванкомицина при ОПН и во время заместительной почечной терапии (ЗПТ) часто приводит к выходу за пределы диапазона минимальных уровней. Разработаны алгоритмы МО для оценки риска недостаточной и передозировки, а также для прогнозирования ОПН, связанного с контрастированием, но эти инструменты все еще требуют перспективной проверки.
Оптимизация гемодинамики имеет решающее значение в лечении ОПН с индивидуальными целями. Более высокое артериальное давление может защитить пациентов с сепсисом и хронической гипертензией от тяжелого ОПН. Такие факторы, как среднее артериальное давление, центральное венозное давление, сердечный выброс и частота сердечных сокращений, тесно связаны с ОПН, что подчеркивает сложность оценки перфузионного давления и сердечного выброса. ИИ может помочь определить идеальные гемодинамические цели и методы лечения, в то время как МО может предсказать реакцию на жидкость у пациентов с олигурическим ОПН.
Гипергликемия, вызванная стрессом, повышает риск ОПН. Инструмент ИИ для управления уровнем глюкозы улучшил контроль глюкозы, снизил заболеваемость ОПН 3 стадии и снизил потребность в новой ЗПТ без повышения риска гипогликемии по сравнению с терпимой гипергликемией.
AKI — сложный синдром с разнообразными причинами и патофизиологическими процессами, и его текущее определение опирается на поздние маркеры без идентификации этиологии. Инструменты ИИ могут различать субфенотипы AKI, помогая в целенаправленной профилактике и лечении. Автоматическое субфенотипирование может улучшить будущие исследования, выявляя подгруппы пациентов, которые с большей вероятностью получат пользу от определенных вмешательств.
Модели ML могут помочь улучшить соблюдение профилактических мер, снижая риск прогрессирования ОПН и отсутствия выздоровления. Однако их потенциал для обеспечения конкретных вмешательств или персонализированного лечения, такого как индивидуальное управление жидкостью или начало ЗПТ, остается неопределенным.
Исследователи изучают методы МО для улучшения управления ЗПТ, включая мониторинг в реальном времени, прогнозирование осложнений, таких как гипотония, и сбор данных для обзора у постели больного. По мере развития ИИ он может повысить безопасность и эффективность ЗПТ, что приведет к лучшим результатам для пациентов.
Конечной целью использования ИИ у тяжелобольных пациентов является снижение смертности, уменьшение дисфункции органов и улучшение результатов лечения пациентов. ИИ следует рассматривать как инструмент поддержки принятия клинических решений, а не как замену клинического суждения. Разработка эффективных моделей ИИ требует доступа к высококачественным электронным медицинским картам, которые могут быть доступны не во всех условиях. Необходимо учитывать этические, правовые и социальные аспекты, чтобы предотвратить смещение алгоритма и неравенство в здравоохранении. Кроме того, многообещающие диагностики, которые не оцениваются регулярно, могут повысить точность, но часто отсутствуют в больших наборах данных.
Большинство исследований по ИИ в лечении ОПН являются ретроспективными. Существует острая необходимость в перспективных, многоцентровых, рандомизированных контролируемых исследованиях для оценки эффективности вмешательств с использованием ИИ в отношении результатов лечения пациентов. Исследования также должны быть сосредоточены на интеграции инструментов ИИ в существующее лечение ОПН наряду с другими диагностическими методами, такими как биомаркеры, визуализация и гистология.
Источник: Intensive Care Medicine
