Künstliche Intelligenz und akute NierenschädigungArtificial intelligence and acute kidney injury

被引:0
|
作者
Fabian Perschinka
Andreas Peer
Michael Joannidis
机构
[1] Medizinische Universität Innsbruck,Gemeinsame Einrichtung für Internistische Notfall
关键词
Maschinelles Lernen; Algorithmen; Nierenversagen; Prädiktion; AKI Phänotypen; Machine learning; Algorithms; Kidney failure; Forecasting; AKI Phenotypes ;
D O I
10.1007/s00063-024-01111-5
中图分类号
学科分类号
摘要
Die Digitalisierung hält zunehmend Einzug auf den Intensivstationen und mit ihr die künstliche Intelligenz (KI) bei kritisch kranken Patient*innen. Ein vielversprechendes Gebiet für den Einsatz von KI liegt im Bereich der akuten Nierenschädigung (AKI). Hierbei beschäftigt sich KI derzeit noch vorwiegend mit der Prädiktion von AKI und vereinzelt mit der Klassifizierung bestehender AKI in verschiedene Phänotypen. In der Prädiktion kommen unterschiedliche KI-Modelle zum Einsatz. Die hiermit erreichten „Area-under-the-receiver-operating-characteristic-curve“-Werte (AUROC-WERTE) divergieren stark und werden von diversen Faktoren, wie dem Vorhersagezeitraum und der AKI Definition, beeinflusst. Die meisten Modelle weisen eine AUROC zwischen 0,650 und 0,900 auf, wobei bei Vorhersagen weiter in die Zukunft und dem Anwenden der „Acute-kidney-injury-network“-Kriterien (AKIN-Kriterien) niedrigere Werte vorliegen. Der Phänotypisierung gelingt es zwar bereits, Patient*innen in Gruppen mit unterschiedlichem Risiko für erhöhte Sterblichkeit oder Bedarf einer Nierenersatztherapie (RRT) einzuteilen, jedoch fehlen noch daraus abgeleitete Ätiologien und therapeutische Konsequenzen. All den unterschiedlichen Modellen liegen allerdings KI-spezifische Schwächen zugrunde. Der Einsatz von großen Datenbanken ermöglicht es nicht, zeitnah rezente Veränderungen in der Therapie und die Implementierung neuer Biomarker in einem aussagekräftigen Anteil zu enthalten. Aus diesem Grund dominieren Serumkreatinin und Harnzeitvolumen die aktuellen KI-Modelle und führen mit den bekannten Limitationen zu einer Begrenzung der Performance der derzeitigen Modelle. Die immer komplexer werdenden Modelle ermöglichen es den Ärzt*innen nicht mehr nachzuvollziehen, auf welcher Grundlage die Warnung eines bevorstehenden AKI errechnet wird und nachfolgend eine Therapieinitiierung stattfinden soll. Der erfolgreiche Einsatz von KI in der klinischen Routine wird maßgeblich vom Vertrauen der behandelnden Ärzt*innen in die Systeme und dem Überwinden der bereits genannten Schwächen geprägt sein. Als entscheidende Instanz wird der Kliniker/die Klinikerin bei kritisch kranken Patient*innen durch das Vereinen von messbaren mit nichtmessbaren Parametern allerdings unersetzlich bleiben.
引用
收藏
页码:199 / 207
页数:8
相关论文
共 50 条
  • [1] Akute Nierenschädigung und SepsisAcute kidney injury and sepsis
    M. Oppert
    Medizinische Klinik - Intensivmedizin und Notfallmedizin, 2014, 109 (5) : 331 - 335
  • [2] Akute NierenschädigungAcute kidney injury
    Fabienne Aregger
    Philipp Enghard
    Der Nephrologe, 2022, 17 (1): : 59 - 69
  • [3] Hochleistungsrechnen und Künstliche Intelligenz
    Thomas Ludwig
    Informatik Spektrum, 2023, 46 (3) : 129 - 130
  • [4] Turing und Künstliche Intelligenz
    Ulrich Furbach
    Informatik-Spektrum, 2012, 35 (4) : 280 - 286
  • [5] Künstliche Intelligenz in der NierentransplantationspathologieArtificial intelligence in kidney transplant pathology
    Roman David Bülow
    Yu-Chia Lan
    Kerstin Amann
    Peter Boor
    Die Pathologie, 2024, 45 (4) : 277 - 283
  • [6] Die akute NierenschädigungAcute kidney injury
    H. Schmid
    H. Schiffl
    S.R. Lederer
    Medizinische Klinik - Intensivmedizin und Notfallmedizin, 2012, 107 (2) : 141 - 146
  • [7] Akute Nierenschädigung und ihre TherapieAcute kidney injury and its treatment
    M. Joannidis
    H. P. Kierdorf
    Medizinische Klinik - Intensivmedizin und Notfallmedizin, 2014, 109 (5) : 322 - 323
  • [8] Künstliche Intelligenz in der Radiologie und StrahlentherapieArtificial intelligence in radiology and radiotherapy
    Lina Xu
    Felix Busch
    Lisa C. Adams
    Keno K. Bressem
    Die Onkologie, 2024, 30 (5) : 353 - 361
  • [9] Künstliche und natürliche Intelligenz
    S. Frintrop
    KI - Künstliche Intelligenz, 2012, 26 (2) : 115 - 117
  • [10] Künstliche Intelligenz in Medizin und Pflege
    Sebastian Schleidgen
    Orsolya Friedrich
    Ethik in der Medizin, 2023, 35 : 169 - 172