Введение: острое почечное повреждение (ОПП) является частым и тяжелым осложнением в отделении интенсивной терапии (ОИТ). Современные модели машинного обучения на сегодня не обладают гибкостью, основаны на простой классификации (к примеру, прогнозирование развитие ОПП как Да/Нет), что ограничивает их применение в клинической практике. В этом исследовании предлагается (и подтверждается внешней валидацией) первая много-шаговая, многомерная дистрибуционная регрессионная модель, что напрямую прогнозирует распределения сывороточного креатинина (serum creatinine [sCr]) и темпа диуреза между множественными временными горизонтами, что улучшает стратификацию риска ОПП и персонализирует поддержку клинического решения.
Методы: модель была разработана на обучающей когорте из 4 118 взрослых пациентов ОИТ из базы данных MIMIC-IV с последующей внешней валидацией на четырёх независимых и различающихся когортах: MIMIC-IV (N=3,838), UZGent (N=4,442), eICU (N=10,760) и AmsterdamUMC (N=6,129). Модель использовала клинические данные для генерации ежечасных прогностических распределений для темпа диуреза и sCr (с опережением до 48 часов). Предикторы включили в себя демографию, жизненно важные параметры, лабораторные данные, лекарственные средства и недавний темп диуреза с время-изменяемыми переменными, суммированные в предшествующие 72 часа (недавние значения, угол наклона, минимум, максимум, вариабельность). Производительность модели изучалась путем сравнения наших прогнозных распределений с современными древовидными классификаторами для прогнозирования ОПП стадии 1-3 KDIGO и стойкого ОПП стадии 3 на 24 часа вперед.
Результаты: среди внешних когорт модель дистрибуционной регрессии показала высокую дискриминацию (средний AUC-PR 0.774 для всех стадий ОПП) и прекрасную калибрацию, стабильно превосходящие показатели эталонных классификаторов. За счет одновременного прогнозирования распределений sCr и темпа диуреза, модель успешно и гибко проводила стратификацию риска во всех стадиях ОПП, захватывая как начало ОПП, так и персистирующую ОПП, позволяя изменять определения стадии ОПП.
Выводы: много-шаговая, многомерная дистрибуционная регрессионная модель оказалась надежным, более гибким, прозрачным и клинически интерпретируемым подходом для прогнозирования ОПП по сравнению с традиционными методами классификации. Эта модель представляет новый шаг вперед к внедрению предиктивных моделей в целях персонализации менеджмента ОПП в ОИТ непосредственно у койки пациента.
Наш сайт работает без рекламы, и мы рады, что вы с нами! Для поддержки проекта и его развития сканируйте QR-код ниже!
