Ferramenta comercial de IA moderadamente bem-sucedida na previsão de lesões renais relacionadas à hospitalização

A lesão renal aguda adquirida no hospital (HA-AKI) é uma complicação comum em pacientes hospitalizados que pode levar à doença renal crônica e está associada a internações hospitalares mais longas, custos mais elevados de cuidados de saúde e aumento da mortalidade. Dadas essas consequências negativas, a prevenção da LRA-HA pode melhorar os resultados dos pacientes hospitalizados. No entanto, antecipar o início da LRA-HA é difícil devido a um grande número de fatores contribuintes envolvidos.

Pesquisadores do Mass General Brigham Digital testaram uma ferramenta comercial de aprendizado de máquina, o modelo preditivo Epic Risk of HA-AKI, e descobriram que ele foi moderadamente bem-sucedido na previsão do risco de HA-AKI em dados registrados de pacientes. O estudo constatou um desempenho inferior ao registrado pela validação interna da Epic Systems Corporation, destacando a importância de validar modelos de IA antes da implementação clínica.

O modelo Epic funciona avaliando o risco de HA-AKI em pacientes internados, marcados por aumentos predefinidos nos níveis de creatinina sérica. Depois de treinar o modelo usando dados de hospitais MGB, os pesquisadores testaram-no em dados de quase 40.000 internações hospitalares durante um período de cinco meses entre agosto de 2022 e janeiro de 2023. O conjunto de dados era extenso, com muitos pontos coletados em encontros com pacientes, incluindo informações como como dados demográficos dos pacientes, comorbidades, diagnósticos principais, níveis séricos de creatinina e tempo de internação. Duas análises foram concluídas observando o desempenho do modelo em nível de encontro e em nível de previsão.

Os investigadores observaram que a ferramenta era mais confiável na avaliação de pacientes com menor risco de LRA-HA. Embora o modelo pudesse identificar com segurança quais pacientes de baixo risco não desenvolveriam LRA-HA, ele teve dificuldade para prever quando pacientes de alto risco poderiam desenvolver LRA-HA. Os resultados também variaram dependendo do estágio de LRA-HA que estava sendo avaliado – as previsões foram mais bem-sucedidas para LRA-HA de estágio 1 em comparação com casos mais graves.

Os autores concluíram globalmente que a implementação pode resultar em elevadas taxas de falsos positivos e apelaram a um estudo mais aprofundado do impacto clínico da ferramenta.

“Descobrimos que o modelo preditivo Epic foi melhor para descartar pacientes de baixo risco do que identificar pacientes de alto risco”, disse o principal autor do estudo, Sayon Dutta, MD, MPH, da equipe de Informática Clínica do Mass General Brigham Digital, e médico de medicina de emergência. no Hospital Geral de Massachusetts. “Identificar o risco de HA-AKI com modelos preditivos pode ajudar a apoiar decisões clínicas, como alertar os prestadores contra a encomenda de medicamentos nefrotóxicos, mas são necessários mais estudos antes da implementação clínica”.

O estudo está publicado na revista NEJM AI.