Sztuczna inteligencja może zmniejszyć ryzyko powikłań nerkowych po operacjach serca
Podczas zabiegów kardiochirurgicznych nerki pacjentów poddawane są znacznemu obciążeniu. Ostre uszkodzenie nerek (AKI, acute kidney injury) należy do najczęstszych powikłań po operacjach serca, prowadząc do wydłużenia hospitalizacji, wzrostu kosztów leczenia i zwiększonej śmiertelności. Zespół naukowców z Rice University i Baylor College of Medicine (BCM) podjął współpracę, której celem jest wykorzystanie sztucznej inteligencji do wczesnego wykrywania ryzyka AKI i ostrzegania klinicystów na etapie, gdy interwencja może jeszcze zapobiec trwałym uszkodzeniom.
Projekt, finansowany przez National Institutes of Health kwotą blisko 2,5 mln dolarów, łączy doświadczenie Rice University w zakresie statystyki i uczenia maszynowego z zasobami klinicznymi BCM – w tym danymi tysięcy pacjentów po zabiegach kardiochirurgicznych. Zespół Rice odpowiada za rozwój modeli uczenia maszynowego i analiz statystycznych, natomiast część kliniczna i wdrożeniowa prowadzona jest w BCM.
Według dr Meng Li, profesor statystyki w Rice University, dotychczasowe narzędzia oceny ryzyka mają charakter statyczny i nie oddają dynamicznego przebiegu pooperacyjnego. Celem projektu jest opracowanie adaptacyjnego modelu, który w czasie rzeczywistym analizuje dane medyczne i przewiduje ryzyko AKI na podstawie rutynowo zbieranych parametrów w dokumentacji elektronicznej (EMR).
AKI po operacjach serca dotyka około 20% pacjentów, zwiększając ryzyko zgonu nawet pięciokrotnie i potrajając koszty hospitalizacji. Problem polega na tym, że tradycyjne wskaźniki – jak spadek diurezy czy wzrost stężenia kreatyniny – pojawiają się dopiero po utracie optymalnego okna terapeutycznego. Jak podkreśla dr Ravi Ghanta, kardiochirurg i główny badacz projektu w BCM, możliwość wykrycia AKI wcześniej pozwoliłaby na szybkie dostosowanie terapii płynowej, dawek leków wspomagających ciśnienie tętnicze czy unikanie nefrotoksycznych substancji.
Każdy pacjent poddany operacji serca generuje ogromną ilość danych – od parametrów życiowych, przez wyniki badań laboratoryjnych, po bilans płynów i dawki leków. Zespół Rice–Baylor planuje wykorzystać te dane do nauki tzw. modeli zespołowych (ensemble machine learning), analizując bazę ponad 9 000 pacjentów i 68 milionów punktów danych. System ma umożliwiać:
- wykrycie AKI nawet 24 godziny wcześniej niż tradycyjne metody,
- rekomendowanie spersonalizowanych działań terapeutycznych,
- walidację skuteczności i zgodności decyzji klinicznych z zaleceniami systemu w rzeczywistych warunkach oddziałów intensywnej terapii kardiologicznej.
Kluczowym elementem projektu jest przejrzystość działania algorytmu. Naukowcy podkreślają, że zaufanie klinicystów do narzędzi AI zależy od zrozumienia, jakie czynniki wpływają na decyzję systemu. Dlatego planują opracowanie czytelnych, „cyfrowych biomarkerów” oraz prostego systemu punktowego, który pozwoli lekarzom łatwo interpretować i oceniać ryzyko.
Projekt zakłada też szkolenie nowego pokolenia specjalistów łączących wiedzę z zakresu data science i medycyny – doktorantów, postdoków i klinicznych badaczy, którzy będą zdolni do pracy na styku obu dziedzin.
Zespół planuje, że po czterech latach opracuje w pełni funkcjonalny, klinicznie zweryfikowany system wspomagania decyzji, zdolny do wcześniejszego i dokładniejszego wykrywania AKI w czasie rzeczywistym oraz dostarczania praktycznych zaleceń terapeutycznych. Co istotne, rozwiązanie to ma stanowić model dla wdrażania wiarygodnych systemów AI w innych obszarach medycyny, nie tylko w kardiochirurgii czy nefrologii.
Źródło: Rice University
