Острое почечное повреждение (ОПП) часто осложняет течение критического заболевания. Лечение, согласно клиническому руководству KDIGO (the Kidney Disease Improving Global Outcomes), исключительно поддерживающее, так как специфической терапии на сегодня нет [1]. Тогда как интервенционные исследования показывают, что своевременное выполнение рекомендаций KDIGO снижает частоту развития послеоперационного ОПП, следование этим рекомендациям в рутинной практике удручающе низкое [2, 3].
Роль искусственного интеллекта
Искусственный интеллект (ИИ) уже показал свои возможности в совершенствовании выявления ОПП, в персонализации лечения и в поддержке принятия клинического решения, тем самым ИИ может обеспечить более широкое соблюдение рекомендаций клинического руководства (Рис.1*). Машинное обучение, как часть технологий ИИ, позволяет компьютерным системам обучаться на данных и улучшать эффективность в выполнении специфических задач.
Прогнозирование ОПП
Технологии машинного обучения позволяют с большой точностью делать прогнозы ОПП за 24-48 часов до начала изменений в уровнях сывороточного креатинина. Сейчас полным ходом идет валидация этих инструментов и тщательное изучение их возможностей в улучшении клинических исходов пациентов, что несет очень важное значение для дальнейшей адаптации технологий машинного обучение в рутинной клинической практике.
Предотвращение ОПП
В исследовании PrevAKI наиболее важными мерами для предотвращения развития ОПП после кардиохирургии оказались оптимизация гемодинамики и отказ от нефротоксических лекарственных препаратов [4]. Нефротоксические препараты продолжают применяться, иногда в комбинациях и достаточно долгий период времени. Индуцированное лекарственным средством ОПП составляет 19-26% от всех приобретенных в госпитале ОПП. Ведомая компьютером система поддержки клинического решения у госпитализированных детей высокого риска, что побуждала клиницистов к внимательному рассмотрению списка лекарственных препаратов, привела к значительному снижению частоты развития ОПП [5]. В настоящий момент изучается, насколько эти инструменты эффективны у госпитализированных взрослых и критически больных детей.
Режим дозирования часто определяется на основании скорости клубочковой фильтрации (glomerular filtration rate [GFR]), для определения которой используется формула на основе креатинина, но эта формула не применима у пациентов с потерей мышечной массы. Совсем недавно был разработан инструмент машинного обучения для прогнозирования клиренса креатинина (creatinine clearance [CrCl]) на следующий день в ОИТ в целях содействия выбору более точных режимов дозирования лекарственных средств [6]. Точность таких прогнозов у пациентов с ОПП и последующее внедрение таких инструментов в целях восстановления функции почек требует изучения. В будущем измерение скорости клубочковой фильтрации в сочетании с возможностями ИИ может улучшить понимание и поспособствует более раннему выявлению падения GFR и, тем самым, обеспечит намного более ранее терапевтическое вмешательство.
Ванкомицин все еще широко используется, при этом наблюдаются снижение его уровней ниже допустимых при ОПП и во время почечно-заместительной терапии (ПЗТ). Уже разработаны алгоритмы машинного обучения, что обеспечивают оценку рисков низких или чрезмерных доз [7]. Также уже стали доступны алгоритмы машинного обучения, что прогнозируют контраст-ассоциированное ОПП [8]. Но эти инструменты еще проспективно не валидированы.
Оптимизация гемодинамики — краеугольный камень лечения ОПП, но цели варьируются между различными пациентами, когда более высокое артериальное давление может оказать протективное действие против развития тяжелого ОПП у пациентов с сепсисом и хронической гипертензией [9]. В большой когорте пациентов кардиохирургии среднее артериальное давление и центральное венозное давление, наряду с сердечным выбросом и частотой сердечных сокращений, показали строгую ассоциацию с ОПП [10], что подтверждает необходимость комплексной оценки перфузионного давления и сердечного выброса. ИИ может стать ассистентом в интерпретации идеальных целей гемодинамики и методов лечения у специфических пациентов. Более того, машинное обучение может прогнозировать реакцию на введение жидкости у пациентов с олигурическим ОПП [11].
Стресс-индуцированная гипергликемия — фактор риска развития ОПП. ИИ, что сопровождал лечение, показал лучший контроль глюкозы, меньшее количество ОПП третьей стадии и более низкую потребность в новой ПЗТ без роста случаев гипогликемии [12].
Субфенотипирование ОПП
ОПП есть синдром, объединяющий множество различных этиологий и патофизиологических процессов. Текущие определения ОПП основываются на поздних маркерах и не предоставляют информации в отношении этиологии. Инструменты ИИ могут помочь в дифференциации подфенотипов (sub-phenotypes) и определять ориентиры для специфических превентивных и терапевтических мер. К примеру, используя машинное обучение без учителя (unsupervised ML), были определены субфенотипы сепсис-ассоциированного ОПП на основании анамнеза, демографии, результатов лабораторных тестов и биомаркеров [13]. Несмотря на то, что это только лишь первый шаг, автоматическое субфенотипирование в исследованиях может обеспечить в ближайшем будущем выбор подгрупп пациентов, которые лучше отвечают на специфические вмешательства.
Менеджмент ОПП
Пациенты с ОПП могут также получить пользу от моделей машинного обучения, с помощью которых станет возможным более последовательное соблюдение превентивных мер, направленных на снижение риска прогрессирования ОПП без последующего восстановления функции почек. С другой стороны, могут ли такие модели машинного обучения поспособствовать специфическим вмешательствам и персонализированному лечению, к примеру специфический менеджмент жидкости или инициация ПЗТ, на сегодня неизвестно.
Исследователи подвергли изучению и другие пути использования технологий машинного обучения, к примеру для совершенствования менеджмента ПЗТ в виде мониторинга ПЗТ в реальном времени, прогнозирования осложнений, связанных с ПЗТ (гипотензия), и сбора данных. Так как эти технологии ИИ продолжают развиваться, они имеют потенциал в обеспечении большей безопасности и эффективности ПЗТ, результатом чего станет улучшение результатов лечения пациентов [14].
Интердисциплинарный менеджмент
Основной целью внедрения ИИ в менеджмент критически больных пациентов является снижение летальности, органной дисфункции и, в итоге, улучшение важных для пациента исходов. ОПП развивается в условиях полиорганной недостаточности. Взаимодействия между витальными органами очевидны при кардиоренальном или гепаторенальном синдромах, когда лечение направлено на улучшение функций обоих органов. ИИ может служить ассистентом для клиницистов различных специальностей, помогая определять показания, дозы и тип диуретиков, а также временные рамки инициации ПЗТ [15].
Ограничения
ИИ должен рассматриваться как инструмент, помогающий улучшить процесс принятия клинического решения, а не как замена клиницистам. В самом деле, ИИ не всегда превосходит клиническую оценку, к примеру прогнозирование CrCl моделью машинного обучения только в незначительной степени превосходило клиническое прогнозирование [6]. Разработка эффективных моделей ИИ требует доступа к обширным данным высокого качества из электронных медицинских карт. В других условиях эти модели не работают. Следовательно, институты и конечные пользователи должны рассматривать этические, юридические и социальные последствия при разработке и внедрении инструментов ИИ в клиническую практику, избегая предвзятость алгоритмов и неравенство при оказании медицинской помощи. Отдельно следует отметить, что многообещающие диагностические подходы, что не подвергались регулярной оценке, не содержатся в больших наборах данных.
Будущие исследования
Большинство исследований технологий ИИ в менеджменте ОПП являются ретроспективными. Необходимо проведение проспективных, многоцентровых, рандомизированных контролируемых исследований для тщательного изучения эффективности вмешательств с присутствием ИИ в отношении улучшения исходов пациентов. Интеграция инструментов ИИ в существующий менеджмент ОПП является важнейшей областью исследований.
*Примечание: см. Рис.1 по ссылке ниже
References
- KDIGO AKI work group (2012) KDIGO clinical practice guideline for acute kidney injury. Kidney Int Suppl 2:1–138
- Kane-Gill S, Meersch M, Bell M (2020) Biomarker-guided management of acute kidney injury. Curr Opin Crit Care 26(6):556–562. https:// doi. org/ 10. 1097/ MCC. 00000 00000 000777
- Küllmar M, Weib R, Ostermann M et al (2020) A multinational observational study exploring adherence with the kidney disease: improving global outcomes recommendations for prevention of acute kidney injury after cardiac surgery. Anesth Analg 130:910–916. https:// doi. org/ 10. 1213/ ANE. 00000 00000 004642
- Von Groote T, Ostermann M, Forni L et al (2022) The AKI care bundle: all bundle components are created equal-are they? Intensive Care Med 48(2):242–245. https:// doi. org/ 10. 1007/ s00134- 021- 06601-0
- Goldstein S, Mottes T, Simpson K et al (2016) A sustained quality improvement program reduces nephrotoxic medication-associated acute kidney injury. Kidney Int 90:212–221. https:// doi. org/ 10. 1016/j. kint. 2016. 03. 031
- De Vlieger G, Huang C, Pörteners B et al (2024) Creatinine clearance in critically ill adults: prospective comparison of prediction by intensive care physicians and machine learning models. Intensive Care Med 50(9):1532–1534. https:// doi. org/ 10. 1007/ s00134- 024- 07557-7
- Tootooni M, Barreto E, Wutthisirisart P et al (2024) Determining steady-state trough range in vancomycin drug dosing using machine learning. J Crit Care 82:154784. https:// doi. org/ 10. 1016/j. jcrc. 2024. 154784
- Chen YY, Liu C, Shen Y et al (2023) Development of real-time individualized risk prediction models for contrast associated acute kidney injury and 30-days dialysis after contrast enhanced computed tomography. Eur J Radiol 167:111034. https:// doi. org/ 10. 1016/j. ejrad. 2023. 111034
- Asfar P, Meziani F, Haemel J-F et al (2014) High versus low blood-pressure target in patients with septic shock. N Engl J Med 370:1583–1593. https:// doi. org/ 10. 1056/ NEJMo a1312 173
- Demirjian S, Bakaeen F, Tang WHW et al (2024) Hemodynamic determinants of cardiac surgery-associated acute kidney injury. Crit Care Explor 6(4):e1063. https:// doi. org/ 10. 1097/ CCE. 00000 00000 001063
- Zhang Z, Kwok M, Hong Y (2019) Machine learning for the prediction of volume responsiveness in patients with oliguric acute kidney injury in critical care. Crit Care 23(1):112. https:// doi. org/ 10. 1186/ s13054- 019- 2411-z
- Gunst J, Debaveye Y, Güiza F et al (2023) Tight blood-glucose control without early parenteral nutrition in the ICY. N Engl J Med 389:1180–1190. https:// doi. org/ 10. 1056/ NEJMo a2304 855
- Chaudhary K, Vaid A, Duffy A et al (2020) Utilization of deep learning for subphenotype identification in sepsis-associated acute kidney injury. Clin J Am Soc Nephrol 15(11):1557–1565. https:// doi. org/ 10. 2215/ CJN. 09330 819
- Hammouda N, Neyra J (2022) Can artificial intelligence assist in delivering continuous renal replacement therapy? Adv Chronic Kidney Dis 29(5):439–449. https:// doi. org/ 10. 1053/j. ackd. 2022. 08. 001
- Cheungpasitporn W, Thongprayoon C, Kashani K (2024) Artificial intelligence in heart failure and acute kidney injury: emerging concepts and controversial dimensions. Cardiorenal Med 14:147–159. https:// doi. org/ 10. 1159/ 00053 7751