Un outil d'apprentissage automatique de l'IA peut aider à prédire le risque d'IRA lié aux brûlures


Nam K. Tran

Selon une étude publiée, un outil utilisant l'intelligence artificielle et un algorithme d'apprentissage automatique a permis d'améliorer les performances des tests existants permettant de prédire les lésions rénales aiguës dans certaines populations à haut risque.

«Près de 58% des brûlés contractent une AKI en raison de mécanismes pré-rénaux (par exemple, brûlures, sepsis) et rénaux (par exemple, médicaments néphrotoxiques) – avec une AKI fréquente dans la première semaine en raison d'une réanimation inadéquate au cours de la première 24 heures d'admission », ont écrit des chercheurs de l'Université de Californie, Davis. «Malgré cette prévalence élevée, la reconnaissance précoce reste difficile en raison de la confiance en la créatinine sérique / plasmatique et du débit urinaire pour diagnostiquer et classer les AKI – des biomarqueurs ayant des limitations connues.»

"L'intelligence artificielle et l'apprentissage automatique sont l'avenir" Nam K. Tran, PhD, FACB, professeur agrégé de pathologie clinique et directeur de la chimie clinique et des tests au point de service à l'université, a Healio / Néphrologie. "Cela ne remplacera peut-être pas les humains, mais cela fait déjà partie de notre vie quotidienne."

En utilisant l’algorithme du voisin le plus proche, Scikit-Learn, les chercheurs ont développé des modèles d’apprentissage automatique. Les performances des modèles d'amélioration de la reconnaissance de l'AKI ont été évaluées à l'aide d'une base de données existante de 50 adultes hospitalisés pour avoir brûlé au moins 20% de la surface totale du corps. Au cours des premières 24 heures suivant l’hospitalisation, la lipocaline associée à la gélatinase neutrophile (NGAL), le débit urinaire, la créatinine et le peptide natriurétique de type B N-terminal (NT-proBNP) ont été mesurés.

Les chercheurs ont découvert que 50% des brûlés avaient présenté une AKI au cours de la première semaine suivant leur admission avec des modèles d'apprentissage automatique qui comprenaient la NGAL, la créatinine, le débit urinaire et le NT-proBNP avec une précision de 90% à 100% pour l'identification de l'AKI. Pour les modèles d’apprentissage automatique ne contenant que du NT-proBNP et de la créatinine, une précision de 80 à 90% a été observée.

Jusqu'à 58% des patients brûlés acquièrent une AKI.

Source: Adobe Stock

Les chercheurs ont également déterminé que, bien que le délai moyen de reconnaissance de l'AKI soit de 42,7 heures après l'hospitalisation lors de l'utilisation de la production d'urine et / ou de la créatinine seule, l'algorithme d'apprentissage automatique reconnaissait l'AKI dans les 18,8 heures.

Tran a également dit Healio / Néphrologie Dans le prolongement d'une étude antérieure menée par des chercheurs de UC Davis, qui avait montré l'efficacité du test NGAL au plasma pour la détection de l'AKI, les modèles d'apprentissage automatique ont reconnu l'AKI au moins un jour plus tôt avec une seule mesure.

"Actuellement, NGAL n'est pas approuvé par la FDA", a déclaré Tran. "Ainsi, cette approche d'IA peut améliorer les performances de la créatinine plasmatique et du débit urinaire en tant que biomarqueurs d'AKI."

Tran a conclu: «Nous devons également être conscients qu’une intelligence artificielle qui fonctionne dans une institution peut ne pas bien fonctionner dans une autre. Les tests peuvent différer considérablement entre les hôpitaux et les populations. L'intelligence artificielle a beaucoup à promettre, mais nous devons également en apprendre davantage et la mettre en œuvre de manière rationnelle. ”- par Melissa J. Webb

Divulgations: Les auteurs ne signalent aucune information financière pertinente.