Num caso fictício, um homem de 68 anos com diabetes e doença renal crônica (DRC) chega à consulta com um número novo no laudo do laboratório: risco de 24 por cento de precisar de diálise ou transplante em cinco anos. Na semana seguinte, internado para uma cirurgia, ele aparece numa lista de "alto risco de lesão renal aguda" gerada por um algoritmo do prontuário eletrônico. São duas previsões sobre o mesmo rim, feitas por ferramentas muito diferentes.

A primeira vem da Kidney Failure Risk Equation (KFRE), uma equação com quatro variáveis que já foi validada em mais de 30 países (Tangri et al., 2016). A segunda vem de um modelo de aprendizado de máquina, a família de ferramentas que hoje recebe o rótulo de inteligência artificial (IA). Os dois tipos prometem a mesma coisa: avisar antes de o rim falhar.

Este texto mostra o que cada ferramenta já provou, o que ainda é promessa e quais perguntas fazer antes de confiar num número de risco. O foco está em três ideias: discriminação, calibração e impacto clínico.

Principais pontos

• A KFRE de quatro variáveis usa idade, sexo, filtração glomerular estimada e relação albumina/creatinina na urina (Tangri et al., 2016).
• Em 31 coortes de mais de 30 países, a KFRE discriminou bem quem chegaria à falência renal, mas superestimou o risco em parte das coortes fora da América do Norte (Tangri et al., 2016).
• Discriminar bem e estar bem calibrado são propriedades diferentes, e o uso individual de um modelo exige as duas (Huang et al., 2020).
• Um modelo de aprendizado profundo previu 55,8 por cento dos episódios de lesão renal aguda com até 48 horas de antecedência, ao custo de dois alertas falsos para cada verdadeiro (Tomašev et al., 2019).
• Ao ser levado para outros hospitais, um modelo de lesão renal aguda tende a perder desempenho (Song et al., 2020).
• Em ensaios randomizados, alertas automáticos de lesão renal aguda mudaram condutas, mas não melhoraram desfechos dos pacientes (Wilson et al., 2021; Li et al., 2024).
• A OMS pede que ética e direitos humanos estejam no centro do desenho e do uso da IA em saúde (OMS, 2021).

Sumário

• Por que prever o rim antes de ele falhar
• A KFRE: quatro variáveis, discriminação e calibração
• A KFRE na atenção primária e na triagem
• Aprendizado de máquina na LRA e a validação externa
• Alertas não bastam: o que mostram os ensaios
• Ética, equidade e governança
• Como avaliar um modelo antes de confiar nele
• Como o NEXO ajuda a treinar esse raciocínio
• Perguntas frequentes
• Take-home messages

Por que prever o rim antes de ele falhar

Dois problemas, duas escalas de tempo

A DRC evolui em anos, e a pergunta clínica é quem vai precisar de diálise ou transplante e quando. A DRC está aumentando em incidência e prevalência no mundo, e identificar quem tem risco de progressão pode melhorar o cuidado nefrológico (Tangri et al., 2016). Estadiar a doença pela filtração e pela albuminúria, como no texto sobre o estadiamento da DRC pela KDIGO 2024, já é uma forma simples de estimar esse risco.

A lesão renal aguda (LRA) acontece em horas ou dias. Ela complica entre 10 e 15 por cento das internações e mais da metade das internações em terapia intensiva, segundo a revisão citada por Song e colegas (Song et al., 2020). Quem sobrevive a um episódio tem mais risco de doença cardiovascular e de progressão para DRC (Song et al., 2020).

O que uma boa previsão permite

Na DRC, uma estimativa confiável ajuda a decidir quem encaminhar ao nefrologista, quando preparar o acesso vascular e como conversar com o paciente sobre o futuro. Na LRA, o ganho esperado é agir antes de a creatinina subir: revisar remédios nefrotóxicos, ajustar fluidos e monitorar a diurese. O texto sobre lesão renal por remédios mostra quantas dessas decisões dependem de reconhecer o risco a tempo.

Uma previsão só tem valor se mudar alguma decisão. Essa é a mesma lógica da probabilidade pré-teste: um número só ajuda quando desloca a probabilidade para um lado em que a conduta muda.

A KFRE: quatro variáveis, discriminação e calibração

Como a equação nasceu

As KFREs foram desenvolvidas em 3449 pacientes com DRC estágios 3 a 5 encaminhados ao nefrologista em Ontário, no Canadá, e validadas em pacientes encaminhados na Colúmbia Britânica (Tangri et al., 2016). As versões preferidas têm quatro e oito variáveis, todas baseadas em idade, sexo e exames de laboratório (Tangri et al., 2016).

A versão de quatro variáveis precisa apenas de idade, sexo, filtração glomerular estimada e relação albumina/creatinina na urina (Tangri et al., 2016). Como todos esses dados já estão no sistema do laboratório, o risco pode ser calculado e relatado automaticamente sempre que os exames são feitos (Tangri et al., 2016).

A validação em 30 países

Para saber se a equação funcionava fora do Canadá, o CKD Prognosis Consortium reuniu 31 coortes com 721.357 participantes com DRC estágios 3 a 5, em mais de 30 países de quatro continentes (Tangri et al., 2016). Em mediana de 4 anos de seguimento, houve 23.829 episódios de falência renal, definida como início de diálise ou transplante (Tangri et al., 2016).

A discriminação foi excelente, com estatística C de 0,90 em 2 anos e de 0,88 em 5 anos, e foi parecida em subgrupos de idade, raça e diabetes (Tangri et al., 2016). Equações refeitas com os dados de todas as coortes reunidas não trouxeram melhora (Tangri et al., 2016).

O ajuste regional

A calibração foi adequada nas coortes norte-americanas, mas a equação original superestimou o risco em parte das coortes de outras regiões (Tangri et al., 2016). Um fator de calibração que reduziu o risco basal em 32,9 por cento em 2 anos e em 16,5 por cento em 5 anos melhorou a calibração em 12 de 15 coortes não norte-americanas em 2 anos e em 10 de 13 em 5 anos (Tangri et al., 2016).

A proporção de pacientes com risco previsto acima de 20 por cento em 2 anos variou de 0,23 por cento numa coorte de Okinawa a 50 por cento na coorte europeia CRIB (Tangri et al., 2016). A mesma equação, portanto, é aplicada a populações com riscos de base muito diferentes, e é aí que a calibração local pesa.

Ordenar pacientes ou acertar o número

A discriminação mede a capacidade de ordenar os pacientes pelo risco; a calibração mede a concordância entre o risco estimado e o risco real (Huang et al., 2020). Um modelo pode separar muito bem quem tem mais e menos risco e, ao mesmo tempo, errar o valor absoluto da probabilidade.

O desempenho de modelos clínicos costuma ser publicado com medidas de discriminação, mas o uso em previsões individuais exige calibração adequada (Huang et al., 2020). Para o paciente do caso, a diferença entre 24 e 12 por cento de risco pode mudar a conversa sobre acesso vascular, mesmo que a ordem entre ele e outros pacientes continue a mesma.

Como a calibração é medida

O tutorial de Huang e colegas descreve medidas como a calibração global, que compara o número esperado de eventos com o observado, e o escore de Brier, que é o erro quadrático médio entre o desfecho real e a probabilidade estimada (Huang et al., 2020). Os autores lembram que o teste de Hosmer-Lemeshow ainda é muito usado, apesar de limitações conhecidas (Huang et al., 2020).

Um exemplo do próprio tutorial mostra o problema: modelos de risco de demência na comunidade superestimaram muito a incidência, e num risco previsto de 40 por cento a incidência observada foi de apenas 10 por cento (Huang et al., 2020). Um erro dessa ordem num modelo renal levaria a encaminhamentos, exames e conversas desnecessários.

Um resumo para a leitura de artigos

Propriedade	Pergunta que responde	Como costuma aparecer	Exemplo em nefrologia
Discriminação	O modelo põe os pacientes de maior risco na frente?	Estatística C ou área sob a curva ROC	KFRE com estatística C de 0,90 em 2 anos (Tangri et al., 2016)
Calibração	O risco previsto bate com o observado?	Calibração global, curvas de calibração, escore de Brier	Superestimação fora da América do Norte (Tangri et al., 2016)
Validação externa	O desempenho se mantém em outro lugar?	Coortes de outros hospitais ou países	Queda de desempenho entre hospitais (Song et al., 2020)
Impacto clínico	Usar o modelo melhora desfechos?	Ensaio randomizado	Alertas de LRA sem ganho em desfechos (Wilson et al., 2021)

Ler um modelo de risco com essas quatro perguntas é parecido com a calibração da confiança no diagnóstico: a pergunta é se a certeza declarada corresponde ao acerto real.

A KFRE na atenção primária e na triagem

A validação na atenção primária

A maior parte da DRC é acompanhada fora dos serviços de nefrologia, e a KFRE tinha pouca validação externa na atenção primária (Major et al., 2019). Um estudo britânico incluiu 35.539 pessoas com DRC numa população adulta de 630.504 atendidas na atenção primária (Major et al., 2019).

Nessa coorte, 176 pessoas chegaram à falência renal em 2 anos e 429 em 5 anos, e a discriminação foi excelente, com estatística C de 0,932 em 2 anos e de 0,924 em 5 anos (Major et al., 2019). A equação, no entanto, superestimou o risco nos grupos de menor risco, e reduzir o risco basal melhorou a calibração nesses grupos à custa de alguma subestimação nos de risco mais alto (Major et al., 2019).

Critérios de encaminhamento baseados em risco

Os autores simularam um critério de encaminhamento baseado em risco de falência renal em 5 anos igual ou maior que 5 por cento pela KFRE, com ou sem relação albumina/creatinina igual ou maior que 70 mg/mmol (Major et al., 2019). Comparado aos critérios em uso, esse limiar reduziu o número de pessoas elegíveis para encaminhamento que não evoluíram para falência renal e encaminhou mais cedo, com filtração mais alta, quem evoluiu (Major et al., 2019).

Os próprios autores advertem que a coorte veio de uma só região e que são necessárias validações em populações mais diversas antes da implantação (Major et al., 2019).

A experiência de uma província canadense

Em Manitoba, no Canadá, o serviço de nefrologia passou a usar em 2012 um limiar de risco de 3 por cento em 5 anos pela KFRE para triar novos encaminhamentos de pacientes com DRC estágios 3 a 5 (Hingwala et al., 2017). Encaminhamentos abaixo desse limiar, e fora de critérios como gestação ou suspeita de glomerulonefrite, voltavam para a atenção primária com recomendações (Hingwala et al., 2017). Na gestante com DRC, o risco renal e obstétrico segue uma lógica própria, discutida no texto sobre gestação na doença renal crônica.

O tempo mediano de espera caiu de 230 dias antes da triagem para 58 dias depois, embora o número mensal de encaminhamentos tenha subido de 68 para 94 (Hingwala et al., 2017). Os autores reconhecem que não acompanharam a longo prazo os pacientes classificados como de baixo risco (Hingwala et al., 2017).

Aprendizado de máquina na LRA e a validação externa

O que o modelo de aprendizado profundo mostrou

Em 2019, um grupo da DeepMind e do Departamento de Assuntos de Veteranos dos Estados Unidos treinou um modelo com registros eletrônicos de 703.782 adultos de 172 locais de internação e 1062 ambulatórios (Tomašev et al., 2019). A cada momento da internação, o modelo estima a probabilidade de LRA de qualquer estágio nas 48 horas seguintes (Tomašev et al., 2019).

O modelo previu 55,8 por cento dos episódios de LRA na internação e 90,2 por cento das LRAs que depois exigiram diálise, com até 48 horas de antecedência e dois alertas falsos para cada verdadeiro (Tomašev et al., 2019). Nesse ponto de corte, o modelo levaria a uma avaliação clínica diária de 2,7 por cento dos internados (Tomašev et al., 2019).

Os números que ficam fora da manchete

A área sob a curva ROC foi de 92,1 por cento, mas a área sob a curva de precisão e sensibilidade foi de 29,7 por cento (Tomašev et al., 2019). A diferença reflete a raridade do evento: quando poucos pacientes têm LRA, mesmo um modelo que ordena bem gera muitos alarmes falsos.

Os autores reconhecem que a população não representa a população mundial: mulheres eram 6,38 por cento dos pacientes, e o desempenho foi menor nesse grupo (Tomašev et al., 2019). Validar o sistema numa população geral exigiria treinar e avaliar o modelo em outros conjuntos de dados representativos (Tomašev et al., 2019).

Validação interna e externa em três sistemas de saúde

Churpek e colegas testaram um modelo de gradient boosting em 495.971 internações de adultos em três sistemas de saúde dos Estados Unidos (Churpek et al., 2020). A área sob a curva para prever LRA estágio 2 ou maior em 48 horas foi de 0,85 a 0,86 nos três, e o modelo identificou a LRA estágio 2 em mediana de 27 a 39 horas antes de a creatinina dobrar (Churpek et al., 2020).

Os autores apontam que definiram a LRA só pela creatinina, porque o débito urinário horário não estava disponível para todos, e que o limiar ideal entre detecção e alarmes falsos ainda precisa de ensaios intervencionistas (Churpek et al., 2020).

Por que um modelo piora ao mudar de hospital

Song e colegas desenvolveram um modelo de LRA num sistema de saúde e o testaram em seis sistemas independentes da rede PCORnet (Song et al., 2020). O trabalho mostrou que a queda de desempenho entre locais é provável e atribuiu essa queda à heterogeneidade dos fatores de risco entre populações (Song et al., 2020).

A revisão dos autores resume o padrão da literatura: modelos tradicionais de LRA tiveram área sob a curva de 0,71 a 0,80 nos estudos de derivação, de 0,66 a 0,80 na validação interna e de 0,65 a 0,71 na validação externa (Song et al., 2020). Os autores também lembram que o modelo da DeepMind foi treinado com registros de pacientes majoritariamente homens e brancos (Song et al., 2020).

Dados que mudam de nome

Parte da perda vem de detalhes técnicos. Num dos exemplos, uma variável de medicação faltava em todos os locais de validação externa por causa de diferenças na forma de registrar remédios (Song et al., 2020). Os autores propuseram uma medida para estimar, antes da implantação, quanto um modelo deve perder ao ser transportado (Song et al., 2020).

Para quem usa a ferramenta, a lição é prática: um modelo validado em outro país ou em outro tipo de hospital precisa ser testado com os dados locais antes de orientar condutas. A KFRE mostrou o mesmo princípio com o fator de calibração regional (Tangri et al., 2016).

Alertas não bastam: o que mostram os ensaios

Um ensaio multicêntrico com alerta no prontuário

Wilson e colegas randomizaram 6030 adultos internados com LRA, em seis hospitais, para receber ou não um alerta no prontuário eletrônico com um conjunto de prescrições sugeridas (Wilson et al., 2021). O desfecho principal combinava progressão da LRA, diálise ou morte em 14 dias (Wilson et al., 2021).

O desfecho ocorreu em 21,3 por cento do grupo com alerta e em 20,9 por cento do grupo com cuidado usual, uma diferença sem significância estatística (Wilson et al., 2021). Nos dois hospitais não universitários, porém, o alerta se associou a mais desfechos ruins e a mais mortes, 15,6 por cento contra 8,6 por cento (Wilson et al., 2021).

Por que o alerta pode atrapalhar

Os autores avaliaram se a fadiga de alertas explicaria a piora e não encontraram essa associação; também não acharam uma explicação única para o possível dano (Wilson et al., 2021). Eles concluem que a heterogeneidade do efeito entre hospitais deveria levar a uma reavaliação dos sistemas de alerta de LRA em uso (Wilson et al., 2021). O texto sobre fadiga de alertas discute por que avisos em excesso perdem força.

Um ensaio com alerta no celular

Num hospital universitário de Nanjing, na China, Li e colegas randomizaram 2208 adultos com LRA para receber ou não um alerta enviado ao celular dos médicos, junto com um pacote de medidas gerais de cuidado (Li et al., 2024). A variação máxima da filtração estimada em 7 dias foi parecida nos dois grupos, e os desfechos centrados no paciente, como morte e diálise, também (Li et al., 2024).

O alerta mudou o comportamento: o grupo alertado recebeu mais fluidos intravenosos, menos anti-inflamatórios não esteroides (5,0 contra 11,0 por cento) e teve mais registros da LRA na alta (Li et al., 2024). Os autores sugerem combinar o alerta com intervenções de alta qualidade em estudos futuros (Li et al., 2024).

O que esses ensaios ensinam

Prever ou detectar a LRA é só o primeiro passo; o benefício depende do que a equipe faz com o aviso. Um modelo com boa área sob a curva, ligado a uma resposta clínica fraca, pode não mudar nada para o paciente. O mesmo vale para outras emergências reconhecidas por escores, como na sepse na triagem de enfermagem.

Ética, equidade e governança

A orientação da OMS

Em 2021, a OMS publicou a orientação Ethics and governance of artificial intelligence for health, fruto de consultas com um painel internacional de especialistas em ética, tecnologia digital, direito e direitos humanos e de ministérios da saúde (OMS, 2021). O documento descreve riscos éticos e propõe seis princípios de consenso para que a IA beneficie o público de todos os países (OMS, 2021).

O comunicado da OMS alerta contra superestimar os benefícios da IA à custa de investimentos essenciais para a cobertura universal de saúde (OMS, comunicado de 2021). Também lembra que sistemas treinados sobretudo com dados de países de alta renda podem funcionar mal em contextos de renda média e baixa (OMS, comunicado de 2021).

A posição da sociedade de nefrologia

Em 2026, um grupo de trabalho da American Society of Nephrology publicou princípios para o uso responsável da IA no cuidado renal: priorizar o benefício ao paciente, garantir a supervisão clínica e incentivar a inovação em doenças de grande carga (Tangri et al., 2026). O ponto de partida é que o médico permaneça sempre no circuito de decisão (Tangri et al., 2026).

O documento aponta como desafios a qualidade dos dados, a equidade, a transparência e a integração ao fluxo clínico (Tangri et al., 2026). No transplante renal, os autores citam bases menores e fragmentadas e o risco de viés como barreiras importantes (Tangri et al., 2026).

O risco de confiar demais

Quando um número aparece na tela, existe a tentação de aceitá-lo sem crítica. O texto sobre viés de automação explica como a confiança excessiva em sistemas automatizados leva a erros, e o texto sobre uso de inteligência artificial no raciocínio clínico discute o papel da IA de forma mais ampla.

Como avaliar um modelo antes de confiar nele

Perguntas para o artigo

Antes de usar um modelo de risco renal, vale fazer cinco perguntas ao artigo que o descreve:

1. Em que população foi desenvolvido e quem ficou de fora? O modelo da DeepMind, por exemplo, teve poucas mulheres (Tomašev et al., 2019).
2. Houve validação externa em outra população? As áreas sob a curva costumam cair na validação externa (Song et al., 2020).
3. A calibração foi relatada, e não só a discriminação? O uso individual exige as duas (Huang et al., 2020).
4. Quantos alertas falsos o modelo gera por acerto? No modelo da DeepMind, foram dois falsos para cada verdadeiro (Tomašev et al., 2019).
5. Algum ensaio mostrou benefício para o paciente? Os ensaios de alertas de LRA mostraram mudança de conduta, mas não de desfecho (Wilson et al., 2021; Li et al., 2024).

Perguntas para o serviço

No serviço, as perguntas mudam. Os dados locais têm o mesmo formato dos dados de desenvolvimento? A diferença na forma de registrar remédios já derrubou variáveis inteiras na transferência entre hospitais (Song et al., 2020). Quem vai responder ao alerta, com que conduta e em quanto tempo? Registrar no prontuário o risco calculado e a decisão tomada, como no texto sobre como organizar o raciocínio clínico no prontuário, ajuda a auditar o uso depois.

Voltando ao caso

Para o homem de 68 anos, o risco de 24 por cento em 5 anos pela KFRE vem de uma equação com boa discriminação em muitos países, mas cuja calibração precisa ser conferida na população local (Tangri et al., 2016). Num serviço que usasse o limiar de 5 por cento simulado no estudo britânico, ele já seria encaminhado ao nefrologista (Major et al., 2019).

O alerta de LRA durante a internação merece atenção, mas o benefício depende da resposta clínica, já que o alerta sozinho mudou condutas sem melhorar os desfechos (Li et al., 2024). Se ele também tiver anemia da DRC, o texto sobre anemia na DRC completa a avaliação. Lidar com a incerteza que sobra, como discutido em incerteza diagnóstica, faz parte do uso maduro de qualquer modelo, e a tomada de decisão clínica continua sendo do médico com o paciente.

Como o NEXO ajuda a treinar esse raciocínio

No NEXO, o caso do dia é fictício, com apresentação clínica real e até seis pistas progressivas, e você propõe o diagnóstico buscando o código na CID-10. Ler um modelo de risco exige o mesmo exercício: pesar cada nova informação, revisar a probabilidade e decidir quando ela basta para agir, como no treino do diagnóstico diferencial com pistas.

Os limites de uso do jogo estão descritos na página de economia do NEXO. Se você pesquisa ensino de raciocínio clínico, a página para pesquisadores explica como entrar em contato. Profissionais que escrevem ou revisam casos encontram informações em curadoria e em criadores, e instituições podem conhecer a proposta na página para parcerias. Buscar o código certo na CID-10 completa esse treino.

Perguntas frequentes

O que é a KFRE?

É uma equação que estima o risco de falência renal, definida como diálise ou transplante, em 2 e 5 anos; a versão de quatro variáveis usa idade, sexo, filtração estimada e relação albumina/creatinina (Tangri et al., 2016).

A KFRE funciona em qualquer país?

A discriminação foi excelente em 31 coortes de mais de 30 países, mas algumas regiões precisaram de um fator de calibração (Tangri et al., 2016).

Qual a diferença entre discriminação e calibração?

A discriminação mede se o modelo ordena os pacientes pelo risco; a calibração mede se o risco previsto bate com o observado (Huang et al., 2020).

A IA já consegue prever a lesão renal aguda?

Modelos de aprendizado de máquina previram parte dos episódios com até 48 horas de antecedência, com um custo de alertas falsos (Tomašev et al., 2019; Churpek et al., 2020).

Alertas automáticos de LRA melhoram os desfechos?

Nos ensaios randomizados citados, os alertas mudaram condutas, mas não reduziram progressão, diálise ou morte (Wilson et al., 2021; Li et al., 2024).

Posso usar um modelo validado em outro país?

Com cautela: o desempenho tende a cair ao mudar de população, e a validação local é recomendada (Song et al., 2020).

Take-home messages

• Use a KFRE como estimativa de risco de falência renal na DRC estágios 3 a 5, lembrando que a calibração pode variar por região (Tangri et al., 2016).
• Exija discriminação e calibração antes de usar um modelo para decisões individuais (Huang et al., 2020).
• Considere critérios de encaminhamento baseados em risco, que reduziram esperas e encaminhamentos de baixo risco (Hingwala et al., 2017; Major et al., 2019).
• Pergunte quantos alertas falsos o modelo de LRA gera para cada acerto (Tomašev et al., 2019).
• Teste o modelo com dados locais antes de implantar (Song et al., 2020).
• Associe todo alerta a uma resposta clínica definida e meça o efeito nos desfechos (Wilson et al., 2021).
• Mantenha o médico no circuito de decisão e avalie equidade e transparência (Tangri et al., 2026; OMS, 2021).

Milestone inventory

• 2016: a KFRE é validada em 31 coortes de mais de 30 países (Tangri et al., 2016).
• 2017: Manitoba relata a triagem de encaminhamentos pela KFRE (Hingwala et al., 2017).
• 2019: a KFRE é validada na atenção primária britânica (Major et al., 2019).
• 2019: um modelo de aprendizado profundo prevê a LRA com até 48 horas de antecedência (Tomašev et al., 2019).
• 2020: estudos mostram validação externa em três sistemas e perda de desempenho entre hospitais (Churpek et al., 2020; Song et al., 2020).
• 2021: a OMS publica sua orientação sobre ética e governança da IA em saúde (OMS, 2021).
• 2021: um ensaio multicêntrico de alertas de LRA não mostra benefício nos desfechos (Wilson et al., 2021).
• 2026: a American Society of Nephrology publica princípios para o uso responsável da IA (Tangri et al., 2026).

Referências

1. World Health Organization. Ethics and governance of artificial intelligence for health: WHO guidance. Genebra: OMS; 2021. ISBN 9789240029200. Texto integral.
2. World Health Organization. WHO issues first global report on Artificial Intelligence (AI) in health and six guiding principles for its design and use. Comunicado, 28 jun. 2021. Texto integral.
3. Tangri N, Grams ME, Levey AS, et al. Multinational Assessment of Accuracy of Equations for Predicting Risk of Kidney Failure: A Meta-analysis. JAMA. 2016;315(2):164-174. PMID 26757465. DOI 10.1001/jama.2015.18202.
4. Major RW, Shepherd D, Medcalf JF, et al. The Kidney Failure Risk Equation for prediction of end stage renal disease in UK primary care: An external validation and clinical impact projection cohort study. PLoS Med. 2019;16(11):e1002955. PMID 31693662. DOI 10.1371/journal.pmed.1002955.
5. Hingwala J, Wojciechowski P, Hiebert B, et al. Risk-Based Triage for Nephrology Referrals Using the Kidney Failure Risk Equation. Can J Kidney Health Dis. 2017;4:2054358117722782. PMID 28835850. DOI 10.1177/2054358117722782.
6. Tomašev N, Glorot X, Rae JW, et al. A clinically applicable approach to continuous prediction of future acute kidney injury. Nature. 2019;572(7767):116-119. PMID 31367026. DOI 10.1038/s41586-019-1390-1.
7. Churpek MM, Carey KA, Edelson DP, et al. Internal and External Validation of a Machine Learning Risk Score for Acute Kidney Injury. JAMA Netw Open. 2020;3(8):e2012892. PMID 32780123. DOI 10.1001/jamanetworkopen.2020.12892.
8. Song X, Yu ASL, Kellum JA, et al. Cross-site transportability of an explainable artificial intelligence model for acute kidney injury prediction. Nat Commun. 2020;11(1):5668. PMID 33168827. DOI 10.1038/s41467-020-19551-w.
9. Wilson FP, Martin M, Yamamoto Y, et al. Electronic health record alerts for acute kidney injury: multicenter, randomized clinical trial. BMJ. 2021;372:m4786. PMID 33461986. DOI 10.1136/bmj.m4786.
10. Li T, Wu B, Li L, et al. Automated Electronic Alert for the Care and Outcomes of Adults With Acute Kidney Injury: A Randomized Clinical Trial. JAMA Netw Open. 2024;7(1):e2351710. PMID 38241047. DOI 10.1001/jamanetworkopen.2023.51710.
11. Huang Y, Li W, Macheret F, et al. A tutorial on calibration measurements and calibration models for clinical prediction models. J Am Med Inform Assoc. 2020;27(4):621-633. PMID 32106284. DOI 10.1093/jamia/ocz228.
12. Tangri N, Cheungpasitporn W, Crittenden SD, et al. Responsible Use of Artificial Intelligence to Improve Kidney Care: A Statement from the American Society of Nephrology. J Am Soc Nephrol. 2026;37:881-890. PMID 41201255. DOI 10.1681/asn.0000000929.

Jogue o caso do dia no NEXO.