PŘEHLEDOVÉ ČLÁNKY / REVIEW ARTICLES Prognostická skóre na JIP – klinické review | 123 / Anest intenziv Med. 2023;34(3):120-124 / ANESTEZIOLOGIE A INTENZIVNÍ MEDICÍNA www.aimjournal.cz mocný, tak jeho rodinní příslušníci. Dlouhou dobu byl považován odhad lékaře za relativně spolehlivý a schopný konkurovat jednotlivým skórovacím systémům, což bylo podpořeno i klinickými studiemi. Schopnost odhadnout mortalitu ošetřujícím personálem odpovídá dle literárních údajů AUC mezi 0,75–0,85, tedy obdobně jako APACHE II a III. Zajímavostí je, že vyšší míru spolehlivosti odhadu mají lékaři s erudicí ve vnitřním lékařství a jejich zavzetí nejen do procesu rozhodování by bylo jistě výhodou [19]. Současné moderní skórovací systémy již odhad jednotlivce překonávají a dosahují vyšší přesnosti. V roce 2018 byla publikována práce Meyera et al. [20], která představila neurální síť schopnou predikovat vznik pooperační komplikace kardiochirurgických výkon s AUC 0,95 (senzitivita 0,85, specificita 0,91). V budoucnu pravděpodobně budou data z obdobných modelů vytvořených na míru jednotlivým institucím tvořit důležitou oporou pro prognostifikaci a další rozhodování. Situace v ČR Česká situace je v tomto ohledu specifická. Současná úroveň digitalizace zdravotnických systémů neumožňuje využít AI prediktivních modelů v reálném čase, data nejsou dostatečně kvalitně a především automatizovaně shromažďována a sdílena. Významněji dosud nejsou prognostické parametry využity ani pro srovnání jednotlivých intenzivistických pracovišť. Do pilotního projektu vytvoření benchmarkingového nástroje pro monitoraci a zlepšení poskytování intenzivní péče v České republice se v roce 2004 zapojilo 12 pracovišť. Jejich počet se s přibývajícími lety bohužel nezvýšil a registr začal záhy trpět nedostatečným přísunem informací. V roce 2016 byl pod patronátem Ústavu zdravotnických informací a statistiky (ÚZIS) za 2,5 milionu Kč vybudován Národní registr intenzivní péče. Do ostrého provozu se však nikdy nedostal. Nemocnice odmítly registr využívat a přispívat do něj svými daty [21]. S nadějí lze hledět na připravovaný projekt NISAP (Národní informační systém anesteziologické péče), které by měl některé z benchmarkingových parametrů reflektovat. Zajímavé je, že tlak na toto srovnání nepřichází z řad plátců péče, ale iniciativy vychází z jednotlivých odborných společností (ČSARIM, ČSIM). Závěr Monitorace a analýza údajů o nemocných během jejich pobytu na ICU a následné využití těchto informací nejen v rámci určení prognóz, je jedním ze základních kamenů snahy o zvýšení efektivity intenzivní péče. A to nejen přímo u lůžka pacienta, ale také při dosažení vyšší bezpečnosti výkonů, zajištění ekonomické udržitelnosti či dokonce personální a materiální restrukturalizace IP. Poskytují nám cenné informace o výsledcích léčby pacientů, pomáhají při klinickém rozhodování a usnadňují komunikaci mezi zdravotnickými pracovníky. Zatímco tradiční skórovací systémy se v průběhu času osvědčily, nástup přístupů založených na strojovém učení a umělé inteligenci nabízí zajímavé možnosti dalšího zvyšování prognostické přesnosti. Pokračující vývoj a ověřování těchto pokročilých metod bude utvářet budoucnost hodnocení prognózy pacientů na jednotkách intenzivní péče, což v konečném důsledku povede ke zlepšení péče o pacienty a jejich výsledků. PROHLÁŠENÍ AUTORŮ: Prohlášení o původnosti: Práce je původní a nebyla publikována ani není zaslána k recenznímu řízení do jiného média. Střet zájmů: Autoři prohlašují, že nemají střet zájmů v souvislosti s tématem práce. Podíl autorů: N/A. Financování: Podpořeno MZ ČR – RVO (FNBr, 65269705). Poděkování: N/A. Registrace: N/A. Projednání etickou komisí: irrelevantní. LITERATURA 1. Falcão ALE, Barros AGA, Bezerra AAM, Ferreira NL, Logato CM, Silva FP, et al. The prognostic accuracy evaluation of SAPS 3, SOFA and APACHE II scores for mortality prediction in the surgical ICU: an external validation study and decision‑making analysis. Ann Intensive Care. 2019 Jan 30;9(1):18. doi: 10.1186/s13613-019-0488-9. PMID: 30701392; PMCID: PMC6353976. 2. Haniffa R, Isaam I, De Silva AP, Dondorp AM, De Keizer NF. Performance of critical care prognostic scoring systems in low and middle‑income countries: a systematic review. Crit Care. 2018 Jan 26;22(1):18. doi: 10.1186/s13054-017-1930-8. PMID: 29373996; PMCID: PMC5787236. 3. Ko RE, Cho J, Shin MK, Oh SW, Seong Y, Jeon J, et al. Machine Learning‑Based Mortality Prediction Model for Critically Ill Cancer Patients Admitted to the Intensive Care Unit (CanICU). Cancers (Basel). 2023 Jan 17;15(3):569. doi: 10.3390/cancers15030569. PMID: 36765528; PMCID: PMC9913129. 4. Choi MH, Kim D, Choi EJ, Jung YJ, Choi YJ, Cho JH, et al. Mortality prediction of patients in intensive care units using machine learning algorithms based on electronic health records. Sci Rep. 2022 May 3;12(1):7180. doi: 10.1038/s41598-022-11226-4. PMID: 35505048; PMCID: PMC9065110. 5. Subudhi S, Verma A, Patel AB, Hardin CC, Khandekar MJ, Lee H, et al. Comparing machine learning algorithms for predicting ICU admission and mortality in COVID-19. NPJ Digit Med. 2021 May 21;4(1):87. doi: 10.1038/s41746-021-00456-x. PMID: 34021235; PMCID: PMC8140139. 6. Yeh TS, Pollack MM, Holbrook PR, Fields AI, Ruttiman U. Assessment of pediatric intensive care--application of the Therapeutic Intervention Scoring System. Crit Care Med. 1982 Aug;10(8):497-500. doi: 10.1097/00003246-198208000-00002. PMID: 7094595. 7. Keene AR, Cullen DJ. Therapeutic Intervention Scoring System: update 1983. Crit Care Med. 1983 Jan;11(1):1-3. doi: 10.1097/00003246-198301000-00001. PMID: 6848305. 8. Knaus WA. APACHE 1978-2001: the development of a quality assurance system based on prognosis: milestones and personal reflections. Arch Surg. 2002 Jan;137(1):37-41. doi: 10.1001/archsurg.137. 1. 37. PMID: 11772212. 9. Lemeshow S, Teres D, Klar J, Avrunin JS, Gehlbach SH, Rapoport J. Mortality Probability Models (MPM II) based on an international cohort of intensive care unit patients. JAMA. 1993 Nov 24;270(20):2478-86. PMID: 8230626. 10. Le Gall JR, Loirat P, Alperovitch A, Glaser P, Granthil C, Mathieu D, et al. A simplified acute physiology score for ICU patients. Crit Care Med. 1984 Nov;12(11):975-7. doi: 10.1097/00003246-198411000-00012. PMID: 6499483. 11. Vincent JL, Moreno R, Takala J, Willatts S, De Mendonça A, Bruining H, et al. The SOFA (Sepsis‑related Organ Failure Assessment) score to describe organ dysfunction/failure. On behalf of the Working Group on Sepsis‑Related Problems of the European Society of Intensive Care Medicine. Intensive Care Med. 1996 Jul;22(7):707-10. doi: 10.1007/ BF01709751. PMID: 8844239. 12. Zimmerman JE, Kramer AA, McNair DS, Malila FM. Acute Physiology and Chronic Health Evaluation (APACHE) IV: hospital mortality assessment for today’s critically ill patients. Crit Care Med. 2006 May;34(5):1297-310. doi: 10.1097/01.CCM.0000215112.84523.F0. PMID: 16540951. 13. Harrison DA, Parry GJ, Carpenter JR, Short A, Rowan K. A new risk prediction model for critical care: the Intensive Care National Audit & Research Centre (ICNARC) model. Crit Care Med. 2007 Apr;35(4):1091-8. doi: 10.1097/01.CCM.0000259468.24532. 44. PMID: 17334248. 14. Vincent JL, Moreno R. Clinical review: scoring systems in the critically ill. Crit Care. 2010;14(2):207. doi: 10.1186/cc8204. Epub 2010 Mar 26. PMID: 20392287; PMCID: PMC2887099. 15. Moreno R, Rhodes A, Piquilloud L, Hernandez G, Takala J, Gershengorn HB, et al. The Sequential Organ Failure Assessment (SOFA) Score: has the time come for an update? Crit Care. 2023 Jan 13;27(1):15. doi: 10.1186/s13054-022-04290-9. PMID: 36639780; PMCID: PMC9837980. 16. Bosman RJ, Oudemane van Straaten HM, Zandstra DF. The use of intensive care information systems alters outcome prediction. Intensive Care Med. 1998 Sep;24(9):953-8. doi: 10.1007/s001340050695. PMID: 9803332. 17. Kuzniewicz MW, Vasilevskis EE, Lane R, Dean ML, Trivedi NG, Rennie DJ, et al. Variation in ICU risk‑adjusted mortality: impact of methods of assessment and potential confounders. Chest. 2008 Jun;133(6):1319-1327. doi: 10.1378/chest.07-3061. Epub 2008 Apr 10. PMID: 18403657.
RkJQdWJsaXNoZXIy NDA4Mjc=