Команда под руководством Калифорнийского университета в Лос-Анджелесе разработала модель машинного обучения, которая может с высокой степенью точности предсказывать краткосрочную выживаемость пациентов, находящихся на диализе и получающих непрерывную заместительную почечную терапию (CRRT). Исследование опубликовано в Nature Communications .

CRRT — это терапия, используемая для тяжелобольных госпитализированных пациентов , чье состояние здоровья делает их неподходящими для регулярного гемодиализа. Это более мягкая терапия, которая обеспечивает непрерывное лечение в течение длительного периода. Однако около половины взрослых, которым назначают CRRT, не выживают, что делает лечение бесполезным как для пациентов, так и для их семей.

Чтобы помочь врачам решить, следует ли пациенту начинать ПЗПТ, исследователи разработали модель машинного обучения, которая использует данные из тысяч электронных медицинских карт пациентов для прогнозирования их шансов выжить после терапии.

Результаты исследования предоставляют инструмент на основе данных для помощи в принятии клинических решений. Этот инструмент включает в себя передовые методы машинного обучения для анализа большого и сложного набора данных пациентов, что ранее было сложной задачей для врачей. Исследование демонстрирует, как интеграция моделей машинного обучения в здравоохранение может улучшить результаты лечения и управление ресурсами.

«ПЗПТ часто используется в качестве крайней меры, но многие пациенты не переживают ее, что приводит к напрасной трате ресурсов и ложным надеждам для семей», — сказал доктор Айра Курц, руководитель отделения нефрологии Калифорнийского университета в Лос-Анджелесе и старший автор исследования.

«Делая возможным предсказать, какие пациенты получат пользу, модель направлена ​​на улучшение результатов лечения пациентов и использования ресурсов , служа основой для проверки ее полезности в будущих клинических испытаниях. Как и все модели машинного обучения, ее необходимо протестировать в реальном мире, чтобы определить, является ли она столь же точной в своих прогнозах для пациентов, на которых она не обучалась».