В вымышленном случае мужчина 68 лет с диабетом и хронической болезнью почек (ХБП) приходит на приём с новой цифрой в бланке лаборатории: риск 24 процента того, что в течение пяти лет ему понадобится диализ или трансплантация. На следующей неделе, попав в стационар на операцию, он оказывается в списке «высокого риска острого повреждения почек», сформированном алгоритмом электронной истории болезни. Это два прогноза об одной и той же почке, сделанные очень разными инструментами.

Первый происходит из Kidney Failure Risk Equation (KFRE) — уравнения с четырьмя переменными, которое уже было валидировано более чем в 30 странах (Tangri et al., 2016). Второй — из модели машинного обучения, семейства инструментов, которое сегодня получает ярлык искусственного интеллекта (ИИ). Оба типа обещают одно и то же: предупредить до того, как почка откажет.

Этот текст показывает, что уже доказал каждый инструмент, что пока остаётся обещанием и какие вопросы задать, прежде чем доверять числу риска. В центре внимания три идеи: дискриминация, калибровка и клиническое влияние.

Главные пункты

• KFRE с четырьмя переменными использует возраст, пол, расчётную скорость клубочковой фильтрации и отношение альбумина к креатинину в моче (Tangri et al., 2016).
• В 31 когорте из более чем 30 стран KFRE хорошо различала тех, кто придёт к почечной недостаточности, но завышала риск в части когорт за пределами Северной Америки (Tangri et al., 2016).
• Хорошо различать и быть хорошо откалиброванным — разные свойства, и индивидуальное применение модели требует обоих (Huang et al., 2020).
• Модель глубокого обучения предсказала 55,8 процента эпизодов острого повреждения почек за 48 часов до них, ценой двух ложных оповещений на каждое верное (Tomašev et al., 2019).
• При переносе в другие больницы модель острого повреждения почек, как правило, теряет в качестве работы (Song et al., 2020).
• В рандомизированных исследованиях автоматические оповещения об остром повреждении почек меняли тактику, но не улучшали исходы у пациентов (Wilson et al., 2021; Li et al., 2024).
• ВОЗ призывает ставить этику и права человека в центр разработки и применения ИИ в здравоохранении (ВОЗ, 2021).

Содержание

• Зачем предсказывать отказ почки заранее
• KFRE: четыре переменные, дискриминация и калибровка
• KFRE в первичной помощи и при скрининге
• Машинное обучение при ОПП и внешняя валидация
• Одних оповещений мало: что показывают исследования
• Этика, справедливость и управление
• Как оценить модель, прежде чем ей доверять
• Как NEXO помогает тренировать это рассуждение
• Частые вопросы
• Take-home messages

Зачем предсказывать отказ почки заранее

Две проблемы, две шкалы времени

ХБП развивается годами, и клинический вопрос в том, кому и когда понадобится диализ или трансплантация. Заболеваемость и распространённость ХБП в мире растут, и выявление тех, у кого есть риск прогрессирования, может улучшить нефрологическую помощь (Tangri et al., 2016). Определение стадии болезни по фильтрации и альбуминурии, как в тексте о стадировании ХБП по KDIGO 2024, уже само по себе простой способ оценить этот риск.

Острое повреждение почек (ОПП) развивается за часы или дни. Оно осложняет от 10 до 15 процентов госпитализаций и более половины госпитализаций в отделения интенсивной терапии, согласно обзору, на который ссылаются Song и коллеги (Song et al., 2020). У переживших эпизод выше риск сердечно-сосудистых заболеваний и прогрессирования до ХБП (Song et al., 2020).

Что даёт хороший прогноз

При ХБП надёжная оценка помогает решить, кого направить к нефрологу, когда готовить сосудистый доступ и как говорить с пациентом о будущем. При ОПП ожидаемая польза в том, чтобы действовать до роста креатинина: пересмотреть нефротоксичные препараты, скорректировать жидкости и следить за диурезом. Текст о поражении почек из-за лекарств показывает, сколько таких решений зависит от своевременного распознавания риска.

Прогноз имеет ценность, только если он меняет какое-то решение. Это та же логика, что и у предтестовой вероятности: число помогает, только когда сдвигает вероятность в сторону, где меняется тактика.

KFRE: четыре переменные, дискриминация и калибровка

Как появилось уравнение

Шкалы KFRE были разработаны на 3449 пациентах с ХБП стадий 3–5, направленных к нефрологу в Онтарио, Канада, и валидированы на пациентах, направленных в Британской Колумбии (Tangri et al., 2016). Предпочтительные версии содержат четыре и восемь переменных, все они основаны на возрасте, поле и лабораторных анализах (Tangri et al., 2016).

Версии с четырьмя переменными нужны только возраст, пол, расчетная скорость клубочковой фильтрации и отношение альбумина к креатинину в моче (Tangri et al., 2016). Поскольку все эти данные уже есть в лабораторной системе, риск можно рассчитать и сообщить автоматически при каждом выполнении анализов (Tangri et al., 2016).

Валидация в 30 странах

Чтобы проверить, работает ли уравнение за пределами Канады, CKD Prognosis Consortium объединил 31 когорту с 721 357 участниками с ХБП стадий 3–5 более чем в 30 странах четырех континентов (Tangri et al., 2016). За медиану наблюдения 4 года произошло 23 829 эпизодов почечной недостаточности, определяемой как начало диализа или трансплантация (Tangri et al., 2016).

Различительная способность была отличной: статистика C составила 0,90 за 2 года и 0,88 за 5 лет, и она была сходной в подгруппах по возрасту, расе и диабету (Tangri et al., 2016). Уравнения, пересчитанные по данным всех объединенных когорт, улучшения не дали (Tangri et al., 2016).

Региональная поправка

Калибровка была адекватной в североамериканских когортах, но исходное уравнение завышало риск в части когорт из других регионов (Tangri et al., 2016). Коэффициент калибровки, снизивший базовый риск на 32,9 процента за 2 года и на 16,5 процента за 5 лет, улучшил калибровку в 12 из 15 несевероамериканских когорт за 2 года и в 10 из 13 за 5 лет (Tangri et al., 2016).

Доля пациентов с прогнозируемым риском выше 20 процентов за 2 года варьировала от 0,23 процента в когорте Окинавы до 50 процентов в европейской когорте CRIB (Tangri et al., 2016). Таким образом, одно и то же уравнение применяется к популяциям с очень разным базовым риском, и именно здесь важна локальная калибровка.

Упорядочить пациентов или угадать число

Различительная способность измеряет умение упорядочивать пациентов по риску; калибровка измеряет согласие между оцененным и реальным риском (Huang et al., 2020). Модель может очень хорошо разделять тех, у кого риск выше и ниже, и при этом ошибаться в абсолютном значении вероятности.

Результаты клинических моделей обычно публикуют с мерами различительной способности, но использование в индивидуальных прогнозах требует адекватной калибровки (Huang et al., 2020). Для пациента из случая разница между 24 и 12 процентами риска может изменить разговор о сосудистом доступе, даже если порядок между ним и другими пациентами остается прежним.

Как измеряется калибровка

Учебное руководство Huang и коллег описывает такие меры, как общая калибровка, сравнивающая ожидаемое число событий с наблюдаемым, и индекс Бриера — средний квадрат ошибки между реальным исходом и оцененной вероятностью (Huang et al., 2020). Авторы напоминают, что тест Хосмера-Лемешова по-прежнему широко используется, несмотря на известные ограничения (Huang et al., 2020).

Пример из самого руководства показывает проблему: модели риска деменции в популяции сильно завышали заболеваемость, и при прогнозируемом риске 40 процентов наблюдаемая заболеваемость составила лишь 10 процентов (Huang et al., 2020). Ошибка такого порядка в почечной модели привела бы к ненужным направлениям, обследованиям и разговорам.

Краткая памятка для чтения статей

Свойство	На какой вопрос отвечает	Как обычно выглядит	Пример в нефрологии
Различительная способность	Ставит ли модель пациентов с более высоким риском впереди?	Статистика C или площадь под кривой ROC	KFRE со статистикой C 0,90 за 2 года (Tangri et al., 2016)
Калибровка	Совпадает ли прогнозируемый риск с наблюдаемым?	Общая калибровка, кривые калибровки, индекс Бриера	Завышение за пределами Северной Америки (Tangri et al., 2016)
Внешняя валидация	Сохраняется ли результат в другом месте?	Когорты из других больниц или стран	Снижение результата между больницами (Song et al., 2020)
Клиническое влияние	Улучшает ли использование модели исходы?	Рандомизированное исследование	Оповещения об ОПП без выигрыша в исходах (Wilson et al., 2021)

Читать модель риска с помощью этих четырех вопросов — примерно то же, что калибровать уверенность в диагнозе: вопрос в том, соответствует ли заявленная уверенность реальной точности.

KFRE в первичной помощи и при сортировке

Валидация в первичной помощи

Большая часть ХБП наблюдается вне нефрологических служб, и KFRE имела мало внешней валидации в первичной помощи (Major et al., 2019). Британское исследование включило 35.539 человек с ХБП из взрослой популяции 630.504 человек, получавших помощь в первичном звене (Major et al., 2019).

В этой когорте 176 человек достигли почечной недостаточности за 2 года и 429 за 5 лет, а дискриминация была отличной, со статистикой C 0,932 за 2 года и 0,924 за 5 лет (Major et al., 2019). Однако уравнение переоценивало риск в группах меньшего риска, и снижение базального риска улучшило калибровку в этих группах ценой некоторой недооценки в группах более высокого риска (Major et al., 2019).

Критерии направления, основанные на риске

Авторы смоделировали критерий направления, основанный на риске почечной недостаточности в течение 5 лет, равном или превышающем 5 процентов по KFRE, с отношением альбумин/креатинин 70 мг/ммоль и выше или без него (Major et al., 2019). По сравнению с действующими критериями этот порог уменьшил число людей, подлежащих направлению, у которых почечная недостаточность не развилась, и раньше направлял тех, у кого она развилась, при более высокой фильтрации (Major et al., 2019).

Сами авторы предупреждают, что когорта происходила из одного региона и что перед внедрением необходимы валидации в более разнообразных популяциях (Major et al., 2019).

Опыт канадской провинции

В Манитобе, Канада, нефрологическая служба с 2012 года стала использовать порог риска 3 процента в течение 5 лет по KFRE для сортировки новых направлений пациентов с ХБП стадий 3–5 (Hingwala et al., 2017). Направления ниже этого порога и вне таких критериев, как беременность или подозрение на гломерулонефрит, возвращались в первичную помощь с рекомендациями (Hingwala et al., 2017). У беременной с ХБП почечный и акушерский риск подчиняется собственной логике, обсуждаемой в тексте о беременности при хронической болезни почек.

Медианное время ожидания сократилось с 230 дней до сортировки до 58 дней после неё, хотя ежемесячное число направлений выросло с 68 до 94 (Hingwala et al., 2017). Авторы признают, что не наблюдали в долгосрочной перспективе пациентов, отнесённых к низкому риску (Hingwala et al., 2017).

Машинное обучение при ОПП и внешняя валидация

Что показала модель глубокого обучения

В 2019 году группа из DeepMind и Департамента по делам ветеранов США обучила модель на электронных записях 703.782 взрослых из 172 мест госпитализации и 1062 амбулаторий (Tomašev et al., 2019). В каждый момент госпитализации модель оценивает вероятность ОПП любой стадии в следующие 48 часов (Tomašev et al., 2019).

Модель предсказала 55,8 процента эпизодов ОПП в стационаре и 90,2 процента ОПП, которые затем потребовали диализа, с опережением до 48 часов и двумя ложными тревогами на каждую истинную (Tomašev et al., 2019). При этом пороге модель приводила бы к ежедневной клинической оценке 2,7 процента госпитализированных (Tomašev et al., 2019).

Цифры, которые остаются за заголовком

Площадь под кривой ROC составила 92,1 процента, но площадь под кривой точности и полноты составила 29,7 процента (Tomašev et al., 2019). Разница отражает редкость события: когда у немногих пациентов есть ОПП, даже модель, хорошо упорядочивающая случаи, порождает много ложных тревог.

Авторы признают, что популяция не представляет население мира: женщины составляли 6,38 процента пациентов, и в этой группе результаты были ниже (Tomašev et al., 2019). Валидация системы в общей популяции потребовала бы обучения и оценки модели на других репрезентативных наборах данных (Tomašev et al., 2019).

Внутренняя и внешняя валидация в трёх системах здравоохранения

Churpek и коллеги проверили модель градиентного бустинга на 495 971 случае госпитализации взрослых в трёх системах здравоохранения США (Churpek et al., 2020). Площадь под кривой для прогноза ОПП 2-й стадии или выше в течение 48 часов составила от 0,85 до 0,86 во всех трёх, а модель выявляла ОПП 2-й стадии в медиане за 27–39 часов до удвоения креатинина (Churpek et al., 2020).

Авторы отмечают, что определяли ОПП только по креатинину, поскольку почасовой диурез был доступен не для всех, и что оптимальный порог между выявлением и ложными тревогами ещё требует интервенционных исследований (Churpek et al., 2020).

Почему модель хуже работает при смене больницы

Song и коллеги разработали модель ОПП в одной системе здравоохранения и проверили её в шести независимых системах сети PCORnet (Song et al., 2020). Работа показала, что снижение качества работы между площадками вероятно, и связала это снижение с неоднородностью факторов риска между популяциями (Song et al., 2020).

Обзор авторов обобщает картину из литературы: традиционные модели ОПП имели площадь под кривой от 0,71 до 0,80 в исследованиях разработки, от 0,66 до 0,80 при внутренней валидации и от 0,65 до 0,71 при внешней валидации (Song et al., 2020). Авторы также напоминают, что модель DeepMind обучали на записях пациентов, преимущественно мужчин и белых (Song et al., 2020).

Данные, которые меняют название

Часть потерь связана с техническими деталями. В одном из примеров переменная о лекарствах отсутствовала во всех площадках внешней валидации из-за различий в способе регистрации препаратов (Song et al., 2020). Авторы предложили меру, позволяющую до внедрения оценить, насколько модель должна потерять в качестве при переносе (Song et al., 2020).

Для тех, кто пользуется инструментом, вывод практический: модель, валидированную в другой стране или в другом типе больницы, нужно проверить на местных данных, прежде чем опираться на неё в тактике ведения. KFRE показала тот же принцип с коэффициентом региональной калибровки (Tangri et al., 2016).

Одних оповещений недостаточно: что показывают исследования

Многоцентровое исследование с оповещением в медицинской карте

Wilson и коллеги рандомизировали 6030 госпитализированных взрослых с ОПП в шести больницах на получение или неполучение оповещения в электронной медицинской карте с набором предложенных назначений (Wilson et al., 2021). Первичный исход объединял прогрессирование ОПП, диализ или смерть в течение 14 дней (Wilson et al., 2021).

Исход наступил у 21,3 процента в группе с оповещением и у 20,9 процента в группе обычного ухода — разница без статистической значимости (Wilson et al., 2021). Однако в двух неакадемических больницах оповещение было связано с большим числом неблагоприятных исходов и большим числом смертей: 15,6 процента против 8,6 процента (Wilson et al., 2021).

Почему оповещение может мешать

Авторы проверили, объясняет ли усталость от оповещений ухудшение, и такой связи не нашли; единого объяснения возможного вреда они тоже не обнаружили (Wilson et al., 2021). Они заключают, что неоднородность эффекта между больницами должна побудить к пересмотру используемых систем оповещения об ОПП (Wilson et al., 2021). В тексте об усталости от оповещений обсуждается, почему избыточные предупреждения теряют силу.

Исследование с оповещением на телефон

В университетской больнице Нанкина в Китае Li и коллеги рандомизировали 2208 взрослых с ОПП на получение или неполучение оповещения, отправленного на телефоны врачей, вместе с пакетом общих мер ухода (Li et al., 2024). Максимальное изменение расчётной скорости клубочковой фильтрации за 7 дней было сходным в обеих группах, как и исходы, ориентированные на пациента, например смерть и диализ (Li et al., 2024).

Оповещение изменило поведение: группа с оповещением получала больше внутривенных жидкостей, меньше нестероидных противовоспалительных препаратов (5,0 против 11,0 процента) и имела больше записей об ОПП при выписке (Li et al., 2024). Авторы предлагают в будущих исследованиях сочетать оповещение с качественными вмешательствами (Li et al., 2024).

Чему учат эти исследования

Предсказать или выявить ОПП — лишь первый шаг; польза зависит от того, что команда делает с предупреждением. Модель с хорошей площадью под кривой, связанная со слабым клиническим ответом, может ничего не изменить для пациента. То же касается других неотложных состояний, распознаваемых по шкалам, как при сепсисе на сестринском скрининге.

Этика, справедливость и управление

Рекомендации ВОЗ

В 2021 году ВОЗ опубликовала руководство Ethics and governance of artificial intelligence for health, подготовленное по итогам консультаций с международной группой экспертов по этике, цифровым технологиям, праву и правам человека и с министерствами здравоохранения (ВОЗ, 2021). В документе описаны этические риски и предложены шесть согласованных принципов, чтобы ИИ приносил пользу людям во всех странах (ВОЗ, 2021).

В заявлении ВОЗ предупреждают против переоценки пользы ИИ за счёт инвестиций, необходимых для всеобщего охвата услугами здравоохранения (ВОЗ, заявление 2021 года). Там также напоминают, что системы, обученные преимущественно на данных стран с высоким доходом, могут плохо работать в условиях среднего и низкого дохода (ВОЗ, заявление 2021 года).

Позиция общества нефрологов

В 2026 году рабочая группа American Society of Nephrology опубликовала принципы ответственного применения ИИ в помощи при болезнях почек: ставить во главу угла пользу для пациента, обеспечивать клинический надзор и поощрять разработки при заболеваниях с высокой нагрузкой (Tangri et al., 2026). Исходное положение — врач всегда остаётся в контуре принятия решения (Tangri et al., 2026).

В документе среди проблем названы качество данных, справедливость, прозрачность и встраивание в клинический процесс (Tangri et al., 2026). При трансплантации почки авторы указывают на небольшие и разрозненные базы данных и риск смещения как на важные препятствия (Tangri et al., 2026).

Риск чрезмерного доверия

Когда на экране появляется число, возникает соблазн принять его без критики. Текст о предвзятости автоматизации объясняет, как чрезмерное доверие к автоматизированным системам ведёт к ошибкам, а текст об использовании искусственного интеллекта в клиническом мышлении обсуждает роль ИИ шире.

Как оценить модель, прежде чем ей доверять

Вопросы к статье

Прежде чем использовать модель риска болезней почек, стоит задать статье, которая её описывает, пять вопросов:

1. На какой популяции её разрабатывали и кто остался за рамками? В модели DeepMind, например, было мало женщин (Tomašev et al., 2019).
2. Проводилась ли внешняя валидация на другой популяции? Площадь под кривой обычно снижается при внешней валидации (Song et al., 2020).
3. Сообщалось ли о калибровке, а не только о дискриминации? Для индивидуального применения нужны обе (Huang et al., 2020).
4. Сколько ложных предупреждений модель даёт на каждое верное? В модели DeepMind их было два на каждое верное (Tomašev et al., 2019).
5. Показало ли какое-либо исследование пользу для пациента? Исследования предупреждений об ОПП показали изменение тактики, но не исходов (Wilson et al., 2021; Li et al., 2024).

Вопросы к учреждению

В учреждении вопросы меняются. Совпадает ли формат местных данных с данными, на которых разрабатывали модель? Различия в способе регистрации лекарств уже обнуляли целые переменные при переносе между больницами (Song et al., 2020). Кто будет реагировать на предупреждение, какой тактикой и за какое время? Запись в медицинской карте рассчитанного риска и принятого решения, как в тексте о том, как организовать клиническое мышление в медицинской карте, помогает позже проверять применение.

Возвращаясь к случаю

Для мужчины 68 лет риск 24 процента за 5 лет по KFRE происходит из уравнения с хорошей дискриминацией во многих странах, но калибровку которого нужно проверять на местной популяции (Tangri et al., 2016). В учреждении, где применяли бы порог 5 процентов, смоделированный в британском исследовании, его уже направили бы к нефрологу (Major et al., 2019).

Предупреждение об ОПП во время госпитализации заслуживает внимания, но польза зависит от клинического ответа, поскольку само предупреждение меняло тактику, не улучшая исходы (Li et al., 2024). Если у него также анемия при ХБП, текст об анемии при ХБП дополняет оценку. Работа с оставшейся неопределённостью, как обсуждается в разделе диагностическая неопределённость, — часть зрелого применения любой модели, а принятие клинического решения по-прежнему остаётся за врачом вместе с пациентом.

Как NEXO помогает тренировать это мышление

В NEXO случай дня вымышленный, с реальной клинической картиной и до шести последовательных подсказок, а вы предлагаете диагноз, подбирая код в МКБ-10. Чтение модели риска требует того же упражнения: взвесить каждую новую информацию, пересмотреть вероятность и решить, когда её достаточно для действия, как в тренировке дифференциального диагноза с подсказками.

Ограничения использования игры описаны на странице Экономика NEXO. Если вы исследуете обучение клиническому мышлению, страница для Researcher объясняет, как связаться. Специалисты, которые пишут или проверяют случаи, найдут информацию в разделах Curator и Creators, а учреждения могут узнать о предложении на странице для партнёрства. Поиск правильного кода в МКБ-10 завершает эту тренировку.

Частые вопросы

Что такое KFRE?

Это уравнение, которое оценивает риск почечной недостаточности, определяемой как диализ или трансплантация, на 2 и 5 лет; версия с четырьмя переменными использует возраст, пол, расчётную скорость клубочковой фильтрации и отношение альбумина к креатинину (Tangri et al., 2016).

Работает ли KFRE в любой стране?

Различительная способность была отличной в 31 когорте из более чем 30 стран, но некоторым регионам потребовался калибровочный коэффициент (Tangri et al., 2016).

В чём разница между различительной способностью и калибровкой?

Различительная способность показывает, упорядочивает ли модель пациентов по риску; калибровка показывает, совпадает ли предсказанный риск с наблюдаемым (Huang et al., 2020).

Может ли ИИ уже предсказывать острое повреждение почек?

Модели машинного обучения предсказали часть эпизодов за 48 часов, ценой ложных оповещений (Tomašev et al., 2019; Churpek et al., 2020).

Улучшают ли автоматические оповещения об ОПП исходы?

В упомянутых рандомизированных исследованиях оповещения меняли тактику, но не снижали прогрессирование, потребность в диализе или смертность (Wilson et al., 2021; Li et al., 2024).

Можно ли использовать модель, валидированную в другой стране?

С осторожностью: при смене популяции качество обычно снижается, и рекомендуется локальная валидация (Song et al., 2020).

Ключевые выводы

• Используйте KFRE как оценку риска почечной недостаточности при ХБП стадий 3–5, помня, что калибровка может различаться по регионам (Tangri et al., 2016).
• Требуйте оценки различительной способности и калибровки, прежде чем использовать модель для индивидуальных решений (Huang et al., 2020).
• Рассмотрите критерии направления, основанные на риске: они сократили ожидание и число направлений с низким риском (Hingwala et al., 2017; Major et al., 2019).
• Спросите, сколько ложных оповещений даёт модель ОПП на каждое верное (Tomašev et al., 2019).
• Проверьте модель на локальных данных перед внедрением (Song et al., 2020).
• Свяжите каждое оповещение с определённым клиническим ответом и измерьте влияние на исходы (Wilson et al., 2021).
• Сохраняйте врача в контуре принятия решений и оценивайте справедливость и прозрачность (Tangri et al., 2026; ВОЗ, 2021).

Хронология ключевых событий

• 2016: KFRE валидирована в 31 когорте из более чем 30 стран (Tangri et al., 2016).
• 2017: Манитоба сообщает о сортировке направлений по KFRE (Hingwala et al., 2017).
• 2019: KFRE валидирована в британской первичной помощи (Major et al., 2019).
• 2019: модель глубокого обучения предсказывает ОПП за 48 часов (Tomašev et al., 2019).
• 2020: исследования показывают внешнюю валидацию в трёх системах и снижение качества между больницами (Churpek et al., 2020; Song et al., 2020).
• 2021: ВОЗ публикует руководство по этике и управлению ИИ в здравоохранении (ВОЗ, 2021).
• 2021: многоцентровое исследование оповещений об ОПП не показывает пользы для исходов (Wilson et al., 2021).
• 2026: American Society of Nephrology публикует принципы ответственного использования ИИ (Tangri et al., 2026).

Источники

1. World Health Organization. Ethics and governance of artificial intelligence for health: WHO guidance. Женева: ВОЗ; 2021. ISBN 9789240029200. Полный текст.
2. World Health Organization. WHO issues first global report on Artificial Intelligence (AI) in health and six guiding principles for its design and use. Пресс-релиз, 28 июня 2021 г. Полный текст.
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.

Сыграйте случай дня в NEXO.