Kann künstliche Intelligenz (KI) Fachpersonal auf Intensivstationen wirksam unterstützen? - Sind Algorithmen präzise in der Vorhersage einer akuten Nierenschädigung?

Zusammenfassung

Frühere Modelle zur frühzeitigen Erkennung von akuter Nierenschädigung (AKI) basierten auf strukturierten Daten (z. B. Urinoutput, Vitalzeichen, Laborwerten) [1]. Ziel dieser Studie war die Entwicklung und Validierung eines Deep-Learning-Modells zur Vorhersage von moderatem bis schwerem AKI durch die Kombination strukturierter Daten mit Informationen aus unstrukturierten klinischen Notizen.

Publication History

Article published online:
04 September 2025

• Literatur

• 1 Schmid N, Ghinescu M, Schanz M. et al. Algorithm-based detection of acute kidney injury according to full KDIGO criteria including urine output following cardiac surgery: a descriptive analysis. BioData Min 2023; 16: 12
• 2 Esposito P, Cappadona F, Prenna S. et al. Acute kidney injury in hospitalized patients with real-life analysis of incidence and clinical impact in Italian hospitals (the SIN-AKI study). Sci Rep 2025; 15: 14261
• 3 KDIGO. KDIGO Clinical Practice Guideline for Acute Kidney Injury. Kidney Int Suppl 2012; 1-138
• 4 Vagliano I, Chesnaye NC, Leopold JH. et al. Machine learning models for predicting acute kidney injury: a systematic review and critical appraisal. Clin Kidney J 2022; 15: 2266-2280
• 5 Yu X, Wang W, Wu R. et al. Construction of a machine learning-based interpretable prediction model for acute kidney injury in hospitalized patients. Sci Rep 2025; 15: 9313
• 6 Koyner JL, Martin J, Carey KA. et al. Multicenter Development and Validation of a Multimodal Deep Learning Model to Predict Moderate to Severe AKI. Clin J Am Soc Nephrol 2025; 20: 766-778