پیش بینی نارسایی کلیه

چگونه می توانیم نارسایی کلیه را با آنالیز بیمار پیش بینی کنیم؟
لیست تهیه کنید

1. اطلاعات مربوط به تاریخچه پزشکی و شیوه زندگی بیمار را جمع آوری کنید.
2. نمونه های خون و ادرار بیمار را برای علائم بیماری کلیوی تجزیه و تحلیل کنید.
3. آزمایش های تصویربرداری مانند سی تی اسکن یا سونوگرافی را برای بررسی علائم آسیب کلیه انجام دهید.
4. سطح کراتینین، اوره و سایر مواد موجود در خون را که می تواند نشان دهنده نارسایی کلیه باشد، اندازه گیری کنید.
5. تغییرات فشار خون را که می تواند نشانه نارسایی کلیه باشد، کنترل کنید.
6. به دنبال علائم کم خونی باشید که می تواند نشانه ای از نارسایی کلیه باشد.
7. پروتئینوری را بررسی کنید که نشانه آسیب یا بیماری کلیوی است.
8. سابقه خانوادگی بیمار را از نظر هرگونه استعداد ژنتیکی برای بیماری یا نارسایی کلیوی بررسی کنید.

گزارش شده است که فناوری هوش مصنوعی در هشدار بیماری بحرانی مانند آسیب حاد کلیه (AKI) مزیت دارد [6]. AKI یک بیماری بحرانی شایع در کلینیک است ، به ویژه برای بیماران مسن و بعد از عمل.

شیوع AKI در بین بستری در بیمارستان و 50 ٪ در بیماران ICU 7-18 درصد بود [7] و 11 ٪ در سال در حال افزایش بود [8]. AKI در بیمارستان بستری شده و هزینه درمان را افزایش می دهد [9]. بیماران مبتلا به AKI بیشتر از افراد بدون AKI به بیماری کلیوی مرحله نهایی  می روند
 هر سال تقریباً 2 میلیون بیمار بر اثر AKI درگذشت.

میزان مرگ و میر برای بیماران AKI بدون عارضه 10-30 ٪ و 30-80 ٪ برای کسانی که دارای چندین نارسایی اندام هستند [11]. در حال حاضر ، تشخیص AKI هنوز بر اساس کراتینین سرم و خروجی ادرار است که در اوایل AKI آشکار نیست.

برای پزشکان دشوار است که AKI را به موقع تشخیص دهند [12]. شناخت زودهنگام و پیشگیری از AKI بالقوه اهمیت دارد.

مدلهای خطی سنتی به فرض آماری رابطه آستر بین متغیرهای متغیر و خطر عوارض نیاز دارند و اغلب بیش از حد و چند خطی هستند.

رویکردهای یادگیری ماشین برای توانایی پیش بینی بهتر یا قابل مقایسه نسبت به تجزیه و تحلیل آماری برای پیش بینی نتایج بعد از عمل معرفی شدند.

هوش مصنوعی ممکن است فرصت هایی را برای شناسایی بیماران در معرض خطر در یک پنجره زمانی فراهم کند که امکان درمان اولیه را فراهم می کند

. در 9 ژوئن 2014 ، خدمات ملی بهداشت (NHS) انگلیس الگوریتم ملی AKI را در هشدار ایمنی بیمار خود منتشر کرد و توصیه کرد “معرفی مقیاس گسترده و جذب یک الگوریتم نرم افزار رایانه ای خودکار برای شناسایی AKI” 

در سال 2015 ،  برنامه جریان را تهیه کرد ، که می تواند AKI را پیش بینی کند و هشدارهایی را برای پزشکان به مداخله زودهنگام ارسال کند

. پس از آن ، استفاده از هوش مصنوعی در AKI به تدریج توجه دانشمندان را به خود جلب کرد.

Tomaše و همکاران. یک مدل بسازید که می تواند 55.8 ٪ از کل قسمت های بستری AKI را پیش بینی کند ، و 90.2 ٪ از کل AKI که نیاز به تجویز بعدی دیالیز توسط AI در 703،782 بیمار بالغ دارد

. لی و همکاران. [14] به صورت گذشته نگر 2،010 بیمار بعد از جراحی قلبی مورد بررسی قرار گرفت و از شش تکنیک یادگیری ماشین استفاده کرد ، از جمله درخت تصمیم گیری ، جنگل تصادفی (RF) ، تقویت شیب شدید ، دستگاه بردار پشتیبانی (SVM) ، طبقه بندی شبکه عصبی و یادگیری عمیق ، برای آموزش پیش بینی AKI مدل ها.

این مطالعه نشان داد که تکنیک یادگیری ماشین از تقویت شیب شدید عملکرد قابل توجهی بهتر از تجزیه و تحلیل رگرسیون لجستیک سنتی یا نمرات خطر قبلی در پیش بینی هر دو AKI در تمام مراحل و مرحله 2 یا 3 AKI پس از جراحی قلبی نشان داد که ممکن است به ارزیابی خطر خطر کمک کند آکی در پایان عمل جراحی.

به صورت گذشته نگر ، 8،800 بیمار تحت تجویز کنتراست را بررسی کرد تا الگوی پیش بینی نفروپاتی ناشی از کنتراست (CIN) ، علت سوم کلیه نارسایی کلیوی به دست آمده در بیمارستان [16] را با روش یادگیری ماشین RF انجام دهد. این مدل توانایی پیش بینی خوبی از توسعه CIN را نشان داده و ممکن است اقدامات پیشگیرانه برای CIN ارائه دهد. حمید و همکاران.

از گروههای تقویت شده درختان تصمیم گیری برای آموزش یک ابزار پیش بینی AKI در مورد داده های گذشته نگر گرفته شده از بیش از 300000 بیمار بستری استفاده کرد.

ابزار پیش بینی توانایی پیش بینی مهمی را برای تشخیص اینکه بیماران احتمالاً دچار AKI می شوند ، ارائه می دهد. پیش بینی برای موارد با سینتیک نزدیکتر به AKI بهبود یافته است.
این ابزارها به پزشکان این امکان را می دهد که قبل از تجلی آسیب کلیه به طور بالقوه مداخله کنند. تانگ و همکاران. [18] مدل های پیش بینی خطر برای AKI در 157 بیمار به شدت سوخته ، و عملکرد پیش بینی یادگیری ماشین XGBOOST و مدل رگرسیون لجستیک را مقایسه می کند. روش یادگیری ماشین عملکرد پیش بینی بهتری نسبت به رگرسیون لجستیک دارد.

علاوه بر این ، یک الگوریتم دستگاه تقویت شیب پیش بینی بیماری کلیه مبتنی بر کراتینین سرم را که در مرحله 2 نتایج جهانی AKI با استفاده از داده های سوابق الکترونیکی برای استفاده طولی در 121158 بیمار بستری بهبود یافته است.

این الگوریتم از حساسیت 84 ٪ و ویژگی 85 ٪ برای مرحله 2 AKI برخوردار بود که AUC (95 ٪ CI) برای پیش بینی مرحله 2 AKI در 24 ساعت و 0.87 (0.87-0.87) 0.90 (0.90-0.90) بود.

ساعت ها. AUC برای دریافت درمان جایگزینی کلیه در 48 ساعت آینده 0.96 (0.96-0.96) بود

. یک مطالعه دیگر نشان داد که مدل های یادگیری ماشین (رگرسیون لجستیک چند متغیره ، RF و شبکه های عصبی مصنوعی (ANN)) می توانند شروع AKI را پس از پذیرش ICU در 23.950 بیمار مبتلا به AUC رقابتی پیش بینی کنند (میانگین AUC 0.783) [20] (جدول 1).