Прогнозирование развития острого повреждения почек после кардиохирургических операций с помощью машинного обучения

Введение: Острое повреждение почек, ассоциированное с кардиохирургическими операциями (CSA-AKI), — серьёзное осложнение, которое приводит к увеличению заболеваемости и смертности после кардиохирургических вмешательств. Большинство существующих прогностических моделей ограничены анализом нелинейных взаимосвязей и не позволяют в полной мере учитывать интраоперационные переменные, отражающие острую реакцию на операцию. Поэтому в данном исследовании для прогнозирования CSA-AKI использовали подход машинного обучения на основе искусственного интеллекта, обученный на данных периоперационного периода.

Методы: В исследование были включены 671 пациент, перенёсший кардиохирургическую операцию в период с августа 2016 по август 2018 года. Острое повреждение почек после кардиохирургической операции определяли по критериям Kidney Disease: Improving Global Outcomes (KDIGO). Для анализа использовали демографические характеристики, клиническое состояние, предоперационные биохимические показатели, предоперационную медикаментозную терапию и интраоперационные переменные, включая динамику гемодинамических показателей во времени. Применяли следующие методы машинного обучения: логистическую регрессию, метод опорных векторов (SVM), случайный лес (RF), экстремальный градиентный бустинг (XGboost) и ансамблевую модель (RF + XGboost). Качество моделей оценивали по площади под ROC-кривой (AUC). Для интерпретации прогностической модели также использовали значения SHapley Additive exPlanation (SHAP).

Результаты: Развитие CSA-AKI в течение первой послеоперационной недели было отмечено у 163 пациентов (24,3%). Среди отдельных моделей, наиболее точно прогнозировавших исход, лучший показатель AUC продемонстрировал случайный лес (0,839; 95% доверительный интервал [ДИ] 0,772–0,898), тогда как AUC ансамблевой модели (RF + XGboost) составила 0,843 (95% ДИ 0,778–0,899) и была выше, чем у модели RF в отдельности. Тремя наиболее значимыми признаками в матрице важности RF были интраоперационный диурез, количество единиц эритроцитарной массы, перелитых во время операции, и предоперационный уровень гемоглобина. Сводный график SHAP использовали для иллюстрации положительного или отрицательного влияния 20 наиболее значимых признаков, определяемых моделью RF. Кроме того, график зависимости SHAP применяли для объяснения того, как отдельный признак влияет на результат прогностической модели RF.

Выводы: В данном исследовании методы машинного обучения были успешно использованы для прогнозирования CSA-AKI, что позволяет оценивать риск после кардиохирургических операций и оптимизировать послеоперационную тактику лечения с целью уменьшения послеоперационных осложнений после кардиохирургических вмешательств.