[Artificial intelligence and acute kidney injury].

Digitalization is increasingly finding its way into intensive care units and with it artificial intelligence (AI) for critically ill patients. One promising area for the use of AI is in the field of acute kidney injury (AKI). The use of AI is primarily focused on the prediction of AKI, but further approaches are also being used to classify existing AKI into different phenotypes. Different AI models are used for prediction. The area under the receiver operating characteristic curve values (AUROC) achieved with these models vary and are influenced by several factors, such as the prediction time and the definition of AKI. Most models have an AUROC between 0.650 and 0.900, with lower values for predictions further into the future and when applying Acute Kidney Injury Network (AKIN) instead of KDIGO criteria. Classification into phenotypes already makes it possible to categorize patients into groups with different risks of mortality or requirement of renal replacement therapy (RRT), but the etiologies or therapeutic consequences derived from this are still lacking. However, all the models suffer from AI-specific shortcomings. The use of large databases does not make it possible to promptly include recent changes in therapy and the implementation of new biomarkers in a relevant proportion. For this reason, serum creatinine and urinary output, with their known limitations, dominate current AI models for prediction impairing the performance of the current models. On the other hand, the increasingly complex models no longer allow physicians to understand the basis on which the warning of a threatening AKI is calculated and subsequent initiation of therapy should take place. The successful use of AIs in routine clinical practice will be highly determined by the trust of the physicians in the systems and overcoming the aforementioned weaknesses. However, the clinician will remain irreplaceable as the decisive authority for critically ill patients by combining measurable and nonmeasurable parameters. 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.

Informations de copyright

© 2024. The Author(s).