Informasi
Kecerdasan Buatan Membantu Ahli Nefrologi Dalam Mengarahkan Perawatan Ginjal

Kecerdasan Buatan Membantu Ahli Nefrologi Dalam Mengarahkan Perawatan Ginjal

Kecerdasan Buatan Membantu Ahli Nefrologi Dalam Mengarahkan Perawatan Ginjal – Ketika ahli nefrologi mengarahkan perawatan untuk pasien dengan penyakit ginjal, banyak masalah terkait komorbiditas dibahas dalam rencana perawatan pasien, termasuk kelebihan cairan, patensi akses, manajemen anemia, dan kontrol fosfor.

Kecerdasan Buatan Membantu Ahli Nefrologi Dalam Mengarahkan Perawatan Ginjal

 Baca Juga : 10 Hal yang Perlu Diketahui Hospitalist Tentang Nefrologi

nefrouruguay – Kecerdasan buatan (AI) tidak hanya dapat membantu mengelola kondisi ini, kata nephrologist dan peneliti kepada Nephrology News & Issues , tetapi juga meminimalkan risiko kekambuhan.

“Pada dasarnya, kondisi pasien memanifestasikan dirinya ke penyedia layanan kesehatan (HCP) melalui data dalam arti luas,” Peter Kotanko, MD, kepala penelitian di Renal Research Institute, anak perusahaan Fresenius Medical Care, mengatakan. “Pikirkan tentang informasi klinis, studi pencitraan, data laboratorium, dll. Metode AI dapat digunakan untuk menganalisis dan menafsirkannya serta melengkapi penilaian HCP.”

Bagian dari tujuan AI adalah untuk membantu dokter melihat tekanan pada organ tubuh secara kolektif, kata Kotanko. Tidak ada sel yang selamat ketika ginjal gagal.

“Hari ini, kami mengumpulkan data dari berbagai sumber yang dapat digunakan untuk membuat representasi matematis berdimensi tinggi dari seorang pasien, kadang-kadang disebut ‘kembaran matematika,’” katanya.

Gagasan di balik model, Kotanko dan yang lainnya mengatakan, adalah untuk membuat representasi matematis dari fisiologi manusia, menunjukkan bagaimana organ berfungsi bersama – dan bagaimana mereka bisa gagal bersama. Kembar matematis dari sistem tubuh dapat membantu dokter mengembangkan intervensi terapeutik dan memprediksi ketika banyak sistem organ gagal.

“Dengan memanfaatkan data individu tentang susunan fisiologis tubuh pasien dan simulasi prediktif, kembaran virtual dapat mempercepat proses perawatan dan waktu pemulihan,” Atreyi Chakrabarty melaporkan dalam sebuah artikel di TechTribe .

Aplikasi data

Adam Weinstein, MD, yang mengarahkan layanan TI klinis untuk DaVita Inc., melihat AI sebagai tambahan dalam cara dia mengelola pasiennya dengan penyakit ginjal stadium akhir. “AI yang efektif dapat digunakan untuk membantu memprediksi kemungkinan kejadian di masa depan bagi pasien, seperti perkembangan CKD menjadi ESKD atau kemungkinan rawat inap. Tetapi untuk mendapatkan hasil maksimal dari prediksi dari algoritme AI, kami membutuhkan pakar klinis untuk menafsirkan informasi itu dan menerapkan proses dalam praktik mereka untuk mendorong intervensi pasien yang berarti.” Weinstein memberi tahu Nefrologi News & Issues . “Beberapa praktik menggunakan AI dalam beberapa cara tertentu; namun, tidak setiap praktik memiliki alat, sumber daya, dan proses untuk memanfaatkan teknologi secara maksimal.”

Alat AI dapat digunakan untuk meningkatkan terapi di rumah, kata Weinstein.

“DaVita mengembangkan algoritme prediktif menggunakan AI untuk membantu stratifikasi risiko pasien yang dirawat di rumah untuk membantu mereka tetap sukses di rumah lebih lama. Alat ini dapat memperingatkan ahli nefrologi dan tim perawatan sebelum kejadian yang berpotensi merugikan, yang dapat membantu dalam intervensi tepat waktu.”

Pembelajaran mesin

Pelopor AI Alan Turing menggambarkan metode pengumpulan data pada tahun 1950 sebagai “ilmu dan teknik membuat mesin cerdas, terutama program komputer cerdas.”

“AI dalam perawatan ginjal dan perawatan kesehatan menggunakan algoritme dan prinsip-prinsip rekayasa perangkat lunak untuk memperkirakan keputusan yang dibuat oleh dokter dalam analisis data perawatan kesehatan yang kompleks,” tulis Len A. Usvyat, PhD, dan rekannya dalam artikel 2019 tentang AI di Nephrology News & Masalah .

Kotanko menjelaskan cara kerja AI dalam dua langkah terintegrasi: pembelajaran mesin dan pembelajaran mendalam.

“Baik machine learning (ML) dan deep learning (DL) adalah metode dari domain AI yang lebih besar,” katanya. “Salah satu tujuan dari metode ini adalah untuk mengidentifikasi pola dalam data yang mungkin berasal dari berbagai sumber (misalnya, catatan klinis, gambar).”

Dia berkata, “Pembelajaran mendalam adalah bagian dari pembelajaran mesin, yang menerapkan beragam metode. Banyak dari mereka [yang] terkenal dari statistik klasik (misalnya, analisis regresi, pohon keputusan), mesin vektor pendukung, pengelompokan k-means, dan lain-lain.

Di Renal Research Institute, Kotanko dan yang lainnya melakukan penelitian tentang penggunaan DL untuk menilai fistula dan aneurisma arteriovenosa, dan ML untuk memprediksi hipotensi intradialitik dan membedakan pola dari analisis metabolomik.

“Fresenius Medical Care Amerika Utara memiliki model prediktif yang menggunakan algoritme yang membedakan pasien rawat inap mana yang merupakan kandidat terbaik untuk modalitas rumah atau pasien mana yang saat ini dialisis di rumah memiliki risiko tertinggi meninggalkan rumah dan mungkin memerlukan beberapa intervensi tambahan,” Kotanko dikatakan. “Selama pandemi COVID-19, FMCNA juga meluncurkan model prediksi COVID-19 yang membantu mengidentifikasi pasien mana yang mungkin terinfeksi tetapi belum menunjukkan gejala di klinik,” katanya.

Risiko CKD

Sebuah algoritma pembelajaran mesin membantu para peneliti di Perelman School of Medicine di University of Pennsylvania mengkategorikan pasien dengan CKD menjadi tiga subkelompok yang berbeda. Setiap subkelompok dikaitkan dengan risiko yang berbeda untuk perkembangan penyakit, kejadian kardiovaskular dan kematian.

“Ada perbedaan yang jelas antar individu dengan CKD yang dapat ditangkap dengan pemeriksaan data fenotipik yang komprehensif, seperti hasil laboratorium, riwayat medis, obat-obatan dan faktor sosial,” tulis Zihe Zheng, MBBS, MHS, dan rekannya. “Fenotipe yang lebih canggih dapat mengungkapkan kelompok CKD yang berbeda dan lebih andal serta patologi penyakit yang mendasarinya, yang dapat membantu lebih memahami mekanisme yang berbeda untuk jalur dan perkembangan penyakit.”

Sebuah studi yang diterbitkan dalam American Journal of Pathology menjelaskan bagaimana para peneliti di Boston University School of Medicine (BUSM) menggunakan AI untuk memprediksi tingkat fibrosis interstisial dan atrofi tubular (IFTA) pada pasien dengan disfungsi ginjal.

“Memiliki model komputer yang dapat meniru alur kerja ahli patologi dan menilai tingkat penyakit adalah ide yang menarik karena teknologi ini berpotensi meningkatkan efisiensi dalam praktik klinis,” Vijaya B. Kolachalama, PhD, asisten profesor kedokteran di BUSM dan rekan-rekannya. penulis di atas kertas, mengatakan dalam siaran pers.

Dalam studi tersebut, sebuah tim internasional yang terdiri dari lima ahli nefropatologi yang berpraktik secara independen menentukan skor IFTA pada rangkaian biopsi ginjal manusia digital yang sama menggunakan perangkat lunak berbasis web. Skor rata-rata mereka diambil sebagai perkiraan referensi untuk membangun model pembelajaran yang mendalam.

Kolachalama percaya model AI yang secara otomatis dapat menilai tingkat kerusakan kronis pada ginjal dapat berfungsi sebagai alat opini kedua dalam praktik klinis. “Akhirnya, dimungkinkan untuk menggunakan algoritme ini untuk mempelajari patologi spesifik organ lainnya yang berfokus pada evaluasi fibrosis,” kata Kolachalama dalam rilisnya. “Metode semacam itu mungkin memiliki potensi untuk memberikan pembacaan IFTA yang lebih dapat direproduksi daripada pembacaan oleh ahli nefropatologi.”

Perangkat AI baru

FDA baru-baru ini memberikan penunjukan perangkat terobosan untuk diagnostik klinis dengan kecerdasan buatan RenalytixAI untuk penyakit ginjal, yang dikenal sebagai KidneyIntelX.

Perusahaan mengatakan perangkat itu dimaksudkan untuk mendiagnosis dan meningkatkan manajemen klinis pasien dengan diabetes tipe 2 dan penyakit ginjal yang berkembang pesat. Lengkap dengan algoritme pembelajaran mesin, diagnostik akan dapat menilai kombinasi biomarker berbasis darah prediktif dan menggunakan informasi catatan kesehatan elektronik untuk menentukan apakah pasien memiliki penyakit ginjal progresif.

Menurut Thomas Goss, PharMD, dari Boston Healthcare Associates, metode stratifikasi risiko saat ini untuk penyakit ginjal diabetes gagal mengidentifikasi sekitar setengah dari pasien yang akhirnya mengalami penurunan fungsi ginjal yang cepat. Selanjutnya, hingga dua pertiga dari pasien ini memulai dialisis secara akut karena kecelakaan yang, menurutnya, adalah cara yang mahal untuk memulai dialisis.

“Kami tahu bahwa banyak pasien yang berisiko tinggi [untuk penurunan dan kegagalan fungsi ginjal yang cepat] sering tidak dirujuk dari dokter perawatan primer ke ahli nefrologi pada tahap awal penyakit ketika peluang paling besar untuk intervensi tersedia,” dia dikatakan. “Kami merasa ada kebutuhan penting untuk alat prediksi yang akan membantu kami mengidentifikasi pasien berisiko tinggi dan meningkatkan strategi intervensi kami.”

Setelah kohort hipotetis 10.000 pasien selama 5 tahun, peneliti mengembangkan model dampak anggaran untuk membandingkan penghematan biaya potensial dengan alat diagnostik (yang menempatkan pasien ke dalam kategori risiko) vs standar perawatan. Biaya yang dipertimbangkan termasuk biaya tes ($950), obat resep, spesialis dan kunjungan kantor terkait, rawat inap dan komplikasi lainnya.

Dalam periode 5 tahun, penerapan tes diagnostik menghasilkan penghematan yang diproyeksikan sebesar $115 juta (berkisar dari $83 juta hingga $130 juta). Menurut Goss, penghematan berasal dari perkembangan yang melambat, dialisis dan transplantasi yang tertunda/dihindari, dan lebih sedikit kecelakaan.

Penggunaan AI oleh pasien

Kotanko mengatakan pasien dapat belajar bagaimana AI meningkatkan perawatan diri.

“Idealnya, sistem AI harus sangat ramah pengguna sehingga tidak diperlukan pelatihan formal,” kata Kotanko. “Mereka harus semulus menggunakan smartphone atau memesan pengiriman makanan.”

Kelengkapan AI memungkinkan generalis untuk mengambil peran perawatan khusus, seperti nefrologi. Weinstein dan Kotanko mengatakan ahli nefrologi dapat memainkan peran kunci dalam mempertahankan kepemilikan data turunan AI tentang penyakit ginjal.

“Saya akan sangat prihatin jika HCP, termasuk ahli nefrologi, akan digantikan oleh AI. Untungnya, beberapa badan telah mengembangkan standar etika untuk penggunaan AI,” kata Kotanko.

“Ada beberapa bidang di mana AI akan memungkinkan non-spesialis untuk berekspansi ke area yang saat ini diperuntukkan bagi para ahli yang sangat terlatih. Analisis citra dalam radiologi adalah salah satu contohnya,” kata Kotanko. “Saya dapat melihat situasi dalam kedokteran klinis, termasuk dalam nefrologi, di mana AI dan pemodelan matematika akan memungkinkan generalis untuk merawat pasien yang di masa lalu secara eksklusif dikelola oleh spesialis. Contohnya adalah interpretasi hasil lab dan dosis obat.

“Tren ini akan ditingkatkan oleh kekurangan tenaga kerja, pergeseran sosial dan tekanan biaya pada sistem perawatan kesehatan.”

Weinstein mengatakan ahli nefrologi memiliki peluang kunci untuk bergabung dengan AI.

“Pemahaman tentang prediksi AI, kemampuan untuk berkomunikasi secara bermakna dengan pasien, dan proses yang diperlukan untuk mengambil tindakan, semuanya memerlukan pelatihan khusus,” kata Weinstein.

“AI dapat membentuk kembali lanskap perawatan kesehatan dalam beberapa cara; namun, seperti teknologi lainnya, pada akhirnya Anda memerlukan spesialis, seperti ahli nefrologi, tim perawatan, dan sistem pemberian perawatan kesehatan yang kuat untuk merawat orang. Di masa mendatang, tidak ada algoritme AI yang dapat menasihati pasien, membantu orang mengidentifikasi pilihan terbaik dalam konteks kehidupan mereka, dan mengatasi berbagai masalah kecil namun penting yang dihadapi pasien dan tim perawatan mereka, ”kata Weinstein.