כחקר אחרון שביצעו חוקרים מ-Mass General Brigham Digital מספק תובנות על פוטנציאל המודלים הניבויים בזיהוי ומניעת נפיקת כליית חריגה שנרקמה בבית חולים (HA-AKI). ה-HA-AKI היא הדלקת נפוצה בין החולים המאושפזים, המביאה לתופעות נזקות כגון מחלת כליית כרונית, שהיית בבית חולים ארוכה יותר, הגברת עלויות טיפול בריאות, ושיטות מות גבוהות יותר. המחקר היה מיועד להעריך את יעילות מודל הניבוא ה-Epic Risk of HA-AKI, כלי למידת מכונה מסחרי, בניבוי הסיכון ל-HA-AKI.
החוקרים אימנו את המודל באמצעות נתונים חולים מבתי חולים של MGB ובדקו את זה על מערך נתונים המורכב מכ-40,000 התקבלו בהתאם במשך תקופה של חמישה חודשים. הניתוח חשף כי המודל הצג דיוק גבוה יותר בכך שסילק סיכון נמוך שאינם יפתחו HA-AKI. עם זאת, נתקל באתגרים בניבוי הזמן להתפתחות HA-AKI עבור מטופלים בסיכון גבוה. לא שנייה, הביצועים של המודל היו יותר מוצלחים בזיהוי שלב 1 של HA-AKI ביחס למקרים קשים יותר.
ד"ר סאיון דוטה, מחבר המחקר העיקרי, הדגש את היתרונות האפשריים של השימוש במודלים ניבויים למען החלטות קליניות, כגון המלצות נגד תרופות נפרוטוקסיות למטופלים בסיכון ל-HA-AKI. עם זאת, חוקרי המחקר הכירו את הצורך במחקר ואימות נוספים לפני מימוש מודלים אלה בפרקטיקה קלינית.
למרות שהמחקר מספק תובנות ערכיות לגבי פוטנציאל המודלים הניבויים ל-HA-AKI, הוא מעלה גם שיקולים חשובים. ההגבלות שנראו בזיהוי מדוייק של מטופלים בסיכון גבוה מראים על צורך באלגוריתמים משופרים ובמודלים ממוקפים כדי לשפר את הדיוק בניבוי. בנוסף, המחקר עורר חקירה נוספת בנדל"ן הקליני ובסיכויי שליליים של המימוש של מודלים ניבויים.
לסיכום, מודלים ניבויים, כמו מודל הסיכון ה-Epic Risk of HA-AKI, מציגים גישה מבטיחה לזיהוי וניהול סיכון ל-HA-AKI בחולים מאושפזים. עם זאת, המחקר מדגיש את הצורך במחקר ופיתוח נמשך כדי לאופטימיז את המודלים אלה, ולוודא את אמינותם ואת יעילותם לאור קהלי מטופלים שונים ושלבי מחלות.
The source of the article is from the blog motopaddock.nl