Обоснование: острое почечное повреждение (ОПП) — синдром, что развивается у пациентов отделения интенсивной терапии (ОИТ), который очень трудно диагностировать на ранней стадии при том, что ранняя диагностика ОПП обеспечивает раннее назначение адекватной терапии. И здесь, возможно, на помощь могут прийти подходы, в основе которых лежит машинное обучение, современная технология, показывающая прекрасные предиктивные способности. С другой стороны, распространенность ОПП, оцениваемая с помощью современных подходов, часто занижается, так все эти подходы при диагностике ОПП в большой степени полагаются на уровни сывороточного креатинина, игнорируя темп диуреза.
Авторы этого исследования разработали и изучили систему раннего предупреждения ОПП в условиях мультидисциплинарного ОИТ, используя определения ОПП KDIGO. Авторы предложили несколько вариантов моделей, основанных на дереве решений с градиентным ускорением (gradient-boosted decision tree [GBDT]-based models), включая новейший тайм-стекинг (time-stacking) подход. В целях сравнения предиктивной эффективности этой модели использовалась недавно предложенная LSTM модель.
Результаты: было обнаружено, что оптимальная эффективность GBDT модели достигалась при использовании временных (time-based stacking) переменных (AUPRC = 65.7%, по сравнению с LSTM моделью AUPRC = 62.6%), что, по видимому, обусловленно высокой значимостью времени после поступления пациента в ОИТ. Обе модели показывают снижение производительности при ограничениях доступных данных, довольно объективно работают в различных подкогортах, при этом на производительность не оказывает влияния половая принадлежность пациентов.
Выводы: следование официальным определениям KDIGO в значительной степени увеличивает количество подтвержденных в последствии событий ОПП. В этом исследовании модель GBDT превосходила модель LSTM в отношении эффективности в прогнозировании ОПП. При этом обе модели являются надежными инструментами в постоянно меняющихся условиях ОИТ.