La lesión renal aguda adquirida en el hospital (HA-AKI) es una complicación común en pacientes hospitalizados que puede provocar enfermedad renal crónica y se asocia con estancias hospitalarias más prolongadas, mayores costos de atención médica y una mayor mortalidad. Dadas estas consecuencias negativas, la prevención de HA-AKI puede mejorar los resultados de los pacientes hospitalizados. Sin embargo, anticipar la aparición de HA-AKI es difícil debido a una gran cantidad de factores contribuyentes involucrados.
Investigadores de Mass General Brigham Digital probaron una herramienta comercial de aprendizaje automático, el modelo predictivo Epic Risk of HA-AKI, y descubrieron que tenía un éxito moderado en predecir el riesgo de HA-AKI en pacientes registrados. datos del paciente. El estudio encontró un rendimiento inferior a los registrados por la validación interna de Epic Systems Corporation, lo que destaca la importancia de validar los modelos de IA antes de la implementación clínica.
El modelo Epic funciona evaluando los encuentros con pacientes adultos hospitalizados para detectar el riesgo de HA-AKI, marcado por aumentos predefinidos en los niveles de creatinina sérica. Después de entrenar el modelo utilizando datos de hospitales del MGB, los investigadores lo probaron con datos de casi 40.000 pacientes hospitalizados. hospital estancias durante un período de cinco meses entre agosto de 2022 y enero de 2023. El conjunto de datos fue extenso y se recopilaron muchos puntos sobre los encuentros con los pacientes, incluida información como datos demográficos del paciente, comorbilidades, diagnósticos principales, niveles de creatinina sérica y duración de la estancia hospitalaria. Se completaron dos análisis analizando el rendimiento del modelo a nivel de encuentro y de predicción.
Los investigadores observaron que la herramienta era más fiable a la hora de evaluar a pacientes con menor riesgo de HA-AKI. Aunque el modelo pudo identificar con seguridad qué pacientes de bajo riesgo no desarrollarían HA-AKI, tuvo dificultades para predecir cuándo los pacientes de mayor riesgo podrían desarrollar HA-AKI. Los resultados también variaron según la etapa de HA-AKI que se estaba evaluando: las predicciones fueron más exitosas para la etapa 1 de HA-AKI en comparación con los casos más graves.
Los autores concluyeron en general que la implementación puede dar como resultado altas tasas de falsos positivos y pidieron más estudios sobre el impacto clínico de la herramienta.
«Descubrimos que la Épica modelo predictivo fue mejor para descartar pacientes de bajo riesgo que para identificar pacientes de alto riesgo», afirmó el autor principal del estudio, Sayon Dutta, MD, MPH, del equipo de Informática Clínica de Mass General Brigham Digital y médico de urgencias del Hospital General de Massachusetts. «Identificar HA -El riesgo de IRA con modelos predictivos podría ayudar a respaldar decisiones clínicas, como advertir a los proveedores que no soliciten medicamentos nefrotóxicos, pero se necesitan más estudios antes de la implementación clínica».
El estudio es publicado en el diario NEJM IA.
Más información: Sayon Dutta et al, Validación externa de un modelo predictivo comercial de lesión renal aguda, NEJM IA (2024). DOI: 10.1056/AIoa2300099
Citación: Herramienta comercial de IA con éxito moderado en la predicción de lesiones renales relacionadas con la hospitalización (2024, 18 de febrero) obtenido el 18 de febrero de 2024 de https://medicalxpress.com/news/2024-02-commercial-ai-tool-moderately-successful.html
Este documento está sujeto a derechos de autor. Aparte de cualquier trato justo con fines de estudio o investigación privados, ninguna parte puede reproducirse sin el permiso por escrito. El contenido se proporciona únicamente con fines informativos.
