Predictiemodel met AI identificeert risicoprofielen voor postoperatieve AKD

In zijn presentatie liet Hajeong Lee (Seoul National University Hospital) zien hoe hij met behulp van een LightGBM-model een predictiemodel voor postoperatieve acute nierziekte (AKD) ontwikkelde, uitbreidde en valideerde. ‘Hieruit blijkt dat risicofactoren voor AKD verschillen, afhankelijk van of er wel of geen sprake is van AKI,’ concludeerde hij.¹

Hoewel er talloze predictiemodellen voor acuut nierfalen (AKI) zijn ontwikkeld, is er nog maar weinig onderzoek gedaan naar voorspelling van acute nierziekte (AKD), volgens de KDIGO 2021-criteria gedefinieerd als AKI, > 50% stijging van serumcreatinine, ≥ 35% GFR-daling of een eGFR < 60 ml/min/1,73 m² in de 7-90 dagen na een operatie. Lee en collega’s ontwikkelden een op kunstmatige intelligentie gebaseerd predictiemodel voor postoperatieve AKD met 66 preoperatieve kenmerken als invoervariabelen. Ze verzamelden daarvoor gegevens van 239.642 patiënten die in 5 ziekenhuizen een grote (> 1 uur) niet-cardiale operatie ondergingen. Het Seoul National University Hospital fungeerde als ontwikkelingscohort, waarbij 30% van de patiënten willekeurig werd toegewezen aan het interne validatiecohort. Externe validatie vond plaats met gegevens van de overige ziekenhuizen. De prestaties van logistische regressie-, random forest-, XGBoost-, LightGBM- en CatBoost-modellen werden beoordeeld.

In het totale cohort kwam AKI voor bij 6,2% van de patiënten en AKD bij 11,1%. Bij de interne validatie presteerden LightGBM- en CatBoost-modellen het best wat betreft discriminatie. LightGBM werd geselecteerd als het best presterende model omdat het het grootste klinische nut had: het leverde het hoogste aantal terecht positieve en het laagste aantal foutnegatieve voorspellingen op. Ook bij de externe validatie presteerde LightGBM acceptabel. Of de kenmerken van AKD met of zonder voorafgaande AKI verschillen, analyseerden de onderzoekers met zogeheten SHAP-waarden, die uitleggen hoe een machine learning-model tot een specifieke voorspelling komt. Operatieduur had de meeste invoed op het ontstaan van AKI, de baseline-eGFR had de meeste invloed op AKD zonder voorafgaande AKI.

Bron:

1. Koyner JL, Fatima, Aiman, Anjorin, Ola, et al. A multicenter artificial intelligence prediction model identifies distinct preoperative risk profiles for postoperative acute kidney disease. ASN Kidney Week 2026, abstractSA-OR017.