Postoperativna akutna povreda bubrega koja zahteva dijalizu (PO-AKID) je ozbiljan neželjeni događaj koji ne utiče samo na akutni morbiditet i mortalitet već i na dugoročnu prognozu. Rana dijagnoza i perioperativno upravljanje rizikom mogu pomoći u smanjenju mortaliteta. Prethodni modeli predviđanja rizika za postoperativnu akutnu povredu bubrega (PO-AKI) nakon kardiohirurgije razvijeni su korišćenjem tradicionalne regresione analize.
Međutim, tradicionalne statističke metode su ograničene prekomernim prilagođavanjem i multikolinearnošću, sprečavajući analizu mnogih objašnjavajućih varijabli. Mašinsko učenje (ML) je sposobno za rukovanje nepotpunim, složenim podacima i pružanje uvida za podršku kliničkom donošenju odluka.
Što se tiče predviđanja PO-AKI, postoji sve veći broj dokaza da ML modeli mogu pružiti preciznije predviđanje ishoda u poređenju sa tradicionalnim statističkim analizama. Bez obzira na to, nedostatak objašnjenja je omeo primenu modela ML u podršci kliničkom odlučivanju. Predviđanje individualnog rizika pacijenta za PO-AKID na vizuelni način će pomoći lekarima da razumeju kako ML modeli donose odluku i prihvate ovu novu tehnologiju.
Nedavno su dr Kiuiing Chen (Odeljenje za radiologiju, Prva pridružena bolnica, Univerzitet Jinan, Guangdžou, Guangdong, P.R. Kina) i dr Biao Fu (Guangdong Kardiovaskularni institut, Narodna bolnica provincije Guangdong, Guangdong, Akademija medicinskih nauka Guangdong Guangdong , P.R. China) razvio je praktičan i objašnjiv veb kalkulator (PO-AKID-teller) za otkrivanje pacijenata koji bi mogli da dožive PO-AKID posle operacije ATAAD.
Ova retrospektivna studija je pregledala 549 pacijenata koji su bili podvrgnuti ATAAD operaciji od oktobra 2016. do juna 2021. Istraživanje je objavljeno u časopisu MedComm – Future Medicine.
Početni skup podataka je podeljen na kohortu od 80% za obuku (n=439) i kohortu za testiranje od 20% (n=110). Bilo je sedam prediktora koji bi mogli da ukažu na PO-AKID, uključujući prethodnu kardiovaskularnu hirurgiju, trombocite, kreatinin u serumu, terminalno mesto zahvatanja disekcije, zahvaćenost desne koronarne arterije, procenjeni gubitak krvi i izlučivanje urina. Među šest klasifikatora mašinskog učenja, otkrili su da model Random Forest pokazuje najbolje prediktivne performanse, sa površinom ispod krive od 0,863 u kohorti za obuku i 0,763 u test kohorti.
Oni su primenili algoritam Shaplei Additive Ekplanations (SHAP) da objasne izlaz modela predviđanja vizuelizacijom doprinosa i pravca pokretanja ključnih varijabli ishodu i dalje konstruisali kalkulator koji je jednostavan za korišćenje i objašnjiv na vebu (tj. PO -AKID-teller) za identifikaciju pacijenata sa visokim rizikom od PO-AKID.
PO-AKID-teller bi mogao precizno proceniti rizik pojedinca za PO-AKID na razumljiv način, što bi moglo pomoći u informisanom donošenju odluka, savetovanju pacijenata, perioperativnoj optimizaciji i pružanju dugotrajne nege.
