Análise individual interpretável baseada em aprendizado de máquina da lesão renal aguda na terapia com inibidores de checkpoint imunológico

Contexto A lesão renal aguda (LRA) é uma complicação crítica da terapia com inibidores de checkpoint imunológico. Como a etiologia da LRA em pacientes submetidos à terapia oncológica varia, esclarecer as causas subjacentes em casos individuais é fundamental para o tratamento oncológico ideal. Embora seja essencial analisar individualmente os pacientes tratados com inibidores de checkpoint imunológico em relação às patologias subjacentes para cada episódio de LRA, essas análises não foram realizadas. Neste estudo, visamos esclarecer individualmente as causas subjacentes da LRA em pacientes tratados com inibidores de checkpoint imunológico usando uma nova abordagem de agrupamento com Explicações Aditivas de Shapley (SHAP). Métodos Desenvolvemos um modelo de aprendizado de máquina baseado em árvore de decisão com gradiente que prevê continuamente a LRA dentro de 7 dias, utilizando os registros médicos de 616 pacientes tratados com inibidores de checkpoint imunológico. As mudanças temporais no raciocínio preditivo individual nos modelos de previsão da LRA representaram as principais características que contribuíram para cada previsão de LRA e agrupou pacientes com LRA com base nas características com alta contribuição preditiva quantificada em séries temporais por SHAP. Procuramos por antecedentes clínicos comuns de pacientes com LRA em cada grupo, comparados com a anotação de três nefrologistas. Resultados Cento e doze pacientes (18,2%) tiveram pelo menos um episódio de LRA. Eles foram agrupados de acordo com a característica chave e seus padrões de valor SHAP, e os nefrologistas avaliaram a relevância clínica dos grupos. A análise da curva característica de operação do receptor revelou que a área sob a curva foi de 0,880. Os pacientes com LRA foram categorizados em quatro grupos com diferenças prognósticas significativas (p = 0,010). As principais causas de LRA para cada grupo, como hipovolemia, relacionadas a medicamentos e caquexia do câncer, foram todas clinicamente interpretáveis, o que abordagens convencionais não conseguem obter. Conclusão Nossos resultados sugerem que o método de agrupamento do raciocínio preditivo individual em modelos de aprendizado de máquina pode ser aplicado para inferir fatores clinicamente críticos para o desenvolvimento de cada episódio de LRA entre pacientes com múltiplos fatores de risco para LRA, como pacientes tratados com inibidores de checkpoint imunológico.