Egy vizsgálat eredményei szerint a mesterséges intelligencia hatékonyan képes azonosítani a magas kockázatú, végstádiumú vesebetegségben szenvedő betegeket.
A vizsgálat célja
A gépi tanulás alapú előrejelző rendszerek használata a nefrológia területén kevésbé elterjedt, mint az orvostudomány más szakterületein. A kutatás célja annak vizsgálata volt, hogy a mesterséges intelligencia (MI) által generált kockázati előrejelzések képesek-e időben azonosítani a végstádiumú vesebetegségben (ESKD) szenvedő, hemodialízisben részesülő betegeket, akiknél rövid időn belül kórházi felvétel válhat szükségessé fertőzés vagy folyadékháztartási zavarok miatt. Emellett azt is vizsgálták, hogy az MI-figyelmeztetésekhez kapcsolt, nővérek által vezetett esetáttekintések és célzott beavatkozások képesek-e csökkenteni a hospitalizációk számát.
A vizsgálat felépítése
A kutatás egy retrospektív megfigyeléses kohorszvizsgálat volt, amely 10 294 felnőtt, a Medicare rendszerben ellátott beteg adatait elemezte, akik 2023-ban integrált vesegondozási programban vettek részt az Egyesült Államokban. Kétféle gépi tanulási modellt alkalmaztak: az egyik a folyadék-túlterhelés, a másik a fertőzések kockázatát becsülte. A modellek 0 és 1 közötti napi kockázati pontszámot kalkuláltak, és a ≥0,64 értéket elérő betegeket magas kockázatúnak tekintették. A riasztásokat követően a nővérek távoli hozzáféréssel prioritási sorrendben áttekintették az eseteket, és szükség szerint beavatkozásokat kezdeményeztek a klinikán dolgozó személyzettel együttműködve.
A vizsgálat eredményei
Összesen 83 928 kockázati pontszámot értékeltek, melyek közül 13 988 esetben történt klinikai beavatkozás. A betegek 60%-át nővérek kezelték telemedicina keretében, míg 40%-ukat klinikai személyzet látta el. A tartósan magas kockázatú betegek 53%-kal nagyobb eséllyel kerültek kórházba, mint azok, akiknél csak időszakos kockázatnövekedés volt megfigyelhető. Az MI-vezérelt beavatkozások összességében 8%-kal csökkentették a 7 napon belüli kórházi felvétel esélyét. azokhoz képest, akiknél nem történt semmilyen beavatkozás (OR: 0,92; p = 0,025). A 0,75–0,85 közötti pontszámot elérők körében ez a csökkenés 12% volt (OR: 0,88; p = 0,02), míg a legmagasabb (>0,85) kockázatú csoportban a beavatkozások nem mutattak szignifikáns hatást.
Összefoglalás, konklúzió
Az eredmények azt mutatják, hogy a mesterséges intelligencia hatékonyan képes azonosítani azon EKSD-betegeket, akiknél rövid távon kórházi kezelés válna szükségessé a szükséges beavatkozások nélkül. A korai, célzott beavatkozások csökkenthetik a kórházi felvételek számát egyes kockázati csoportokban. Ugyanakkor a legmagasabb kockázatú betegek esetében a beavatkozások önmagukban nem bizonyultak elegendőnek, ami arra utal, hogy ebben a csoportban intenzívebb, komplexebb ellátási stratégiákra lehet szükség.
