Прогностическая модель подскажет врачу, когда лучше прекратить почечную заместительную терапию

Модель на основе машинного обучения, которая была настроена на выявление факторов и разработку прогностических моделей, успешно применяли в исследовании, основной целью которого было определение лучшего времени прекращения длительной заместительной почечной терапии (ДПЗТ) у пациентов с острым поражением почек.

Используя информацию из базы данных электронных медицинских записей MIMIC-IV, исследователи проанализировали 599 взрослых пациентов с острым повреждением почек, получавших ДПЗТ. Успешное прекращение терапии определялось как отсутствие потребности в ДПЗТ в течение 72 часов после ее отмены.

ДПЗТ успешно прекращено у 79,3% из 599 пациентов; ключевые факторы, связанные с успехом, включали выделение мочи, непочечную оценку SOFA, уровень бикарбоната, артериальное систолическое давление и уровень азота мочевины крови.

Чтобы предположить оптимальный момент для прекращения ДПЗТ, исследователи разработали несколько прогностических моделей, наиболее успешной из которых оказался метод K-ближайших соседей (KNN) — алгоритм машинного обучения, который используется для решения задач классификации и регрессии. KNN обладала высокой точностью прогнозирования, также были признаны эффективными модели RF и XGBoost, которые также продемонстрировали отличную производительность.

В целом, эта работа подчеркивает, как передовая аналитика и машинное обучение могут усовершенствовать принятие решений в интенсивной терапии, предлагая инструменты для выявления пациентов, которые, скорее всего, успешно прекратят ДПЗТ. Эти модели могут способствовать введению более персонализированного ухода, уменьшая риски нерациональной терапии.