PŘEHLEDOVÉ ČLÁNKY / REVIEW ARTICLES Prognostická skóre na JIP – klinické review 122 | ANESTEZIOLOGIE A INTENZIVNÍ MEDICÍNA / Anest intenziv Med. 2023;34(3):120-124 / www.aimjournal.cz a pochopit základní rozhodovací proces. Dalšími důležitými aspekty jsou zkreslení a zobecnění. Modely strojového učení do značné míry závisí na kvalitě a reprezentativnosti trénovacích dat. Pokud jsou data použitá pro trénink zkreslená nebo nereprezentují celé spektrum populací pacientů, může výsledný skórovací systém vykazovat zkreslené předpovědi. Pro řešení těchto problémů je zásadní zajistit rozmanitost a inkluzivitu trénovacích dat. Přesnost modelů Hodnocení přesnosti mortalitních modelů a jejich srovnávání není jednoduchou záležitostí. Mortalitní modely vznikaly ve specifických geografických oblastech a pro jejich použití na např. na jiném kontinentu je nutná kalibrace [13]. Rovněž byl z databází pro tvorbu skórovacích systémů velmi často vyřazeny specifické skupiny pacientů (nemocní s popáleninami, mladší 18 let, starší 90 let, nemocní s velmi krátkým pobytem na JIP apod.), pro něž nemusí být aplikace skórovacích modelů nyní dostatečně přesná [14]. Důležitou problematikou je také otázka sběru dat. Data byla shromažďována na vybraných JIP, jejichž zavedené terapeutické postupy nemusí plně odpovídat běžné praxi. Rozdílná spolehlivost dat byla zaznamenána i v případě manuálního zadávání proměnných ve srovnání s automatizovaným sběrem parametrů [16, 17]. Hodnocení statistické metodiky použité k posouzení kalibrace prediktivního modelu, která také může být zdrojem nepřesností je nad rámec tohoto sdělení. Jednoduché srovnání výkonnosti v odhadu nemocniční mortality nejčastějších modelů dle plochy pod křivkou (AUROC) v době svého publikování přináší tabulka 1. Obecně platí, že za dobrou diskriminační schopnost je vnímána hodnota AUROC vyšší než 0,8, hodnoty nad 0,9 jsou považovány za vynikající. Schopnost predikce mortality pomocí skóre qSOFA či SIRS dosahující v tabulce nejnižších hodnot je ospravedlnitelná tím, že žádný z těchto modelů nebyl k tomuto účelu navržen. Nápadným trendem je zastoupení a rozvoj modelů založených na strojovém učení (v tabulce v odstínech zelené). Přesto je však logistická regrese nadále vnímána jako dostatečně konkurenceschopná statistická metoda pro tvorbu nových moderních skórovacích systémů [18]. Kvalifikovaný odhad Prognostifikace a provádění komplikovaných medicínských rozhodnutí je rutinní součástí práce každého intenzivisty. Tyto kvalifikované odhady také rovněž očekává a do značné míry na ně spoléhá jak samotný ne1 0,95 0,9 0,85 0,8 0,75 0,7 0,65 0,6 1980 1985 1990 1995 2000 rok AUC APACHE II SOFA APACHE III APACHE IV SAPS III NEWS logistická regrese AI neural network k-nearest neigbors qSOFA SIRS 2005 2010 2015 2020 Tab. 1. Porovnání jednotlivých prediktivních modelů v odhadu nemocniční mortality v době svého publikování dle AUC (area under curve) Tab. 2. Porovnání parametrů nejpoužívanějších prognostických modelů APACHE SAPS APACHE II MPM APACHE III SAPS 2 MPM II SAPS 3 APACHE IV MPM III Charakteristika Rok 1981 1984 1985 1985 1991 1993 1993 2005 2006 2007 Počet zemí 1 1 1 1 1 12 12 35 1 1 Počet JIP 2 8 13 1 40 137 140 303 104 135 Pacienti 705 679 5 815 2 783 17 440 12 997 19 124 16 784 110 558 124 855 Způsob vytvoření Panel expertů Panel expertů Panel expertů Mnohočetná logistická regrese Mnohočetná logistická regrese Mnohočetná logistická regrese Mnohočetná logistická regrese Mnohočetná logistická regrese Mnohočetná logistická regrese Mnohočetná logistická regrese Proměnné Věk Ne Ano Ano Ano Ano Ano Ano Ano Ano Ano Etiologie Ne Ne Ne Ne Ano Ne Ne Ano Ano Ne Komorbidity Ano Ne Ano Ano Ano Ano Ano Ano Ano Ano Fyziologické proměnné Ano Ano Ano Ano Ano Ano Ano Ano Ano Ano Akutnost diagnózy Ne Ne Ano Ne Ano Ne Ano Ano Ano Ano Počet proměnných 34 14 17 11 26 17 15 20 142 16 Predikce mortality Ne Ne Ano Ano Ano Ano Ano Ano Ano Ano Adaptováno z [14] Legenda Velikost kohorty 1 000–9 999 10 000–49 000 50 000+ Machine learning a AI Logistická regrese AI network k-nearest neighbors Konvenční skórovací systémy APACHE II APACHE III APACHE IV SAPS III SOFA SIRS NEWS qSOFA
RkJQdWJsaXNoZXIy NDA4Mjc=