Artificial intelligence and machine learning's role in sepsis-associated acute kidney injury

Cheungpasitporn Wisit; Thongprayoon Charat; Kashani Kianoush B.

doi:10.23876/j.krcp.23.298

추천

검색

자료유형: 학술저널

저자정보: Cheungpasitporn Wisit (Division of Nephrology and Hypertension, Department of Medicine, Mayo Clinic, Rochester, MN, USA) Thongprayoon Charat (Division of Nephrology and Hypertension, Department of Medicine, Mayo Clinic, Rochester, MN, USA) Kashani Kianoush B. (Division of Nephrology and Hypertension, Department of Medicine, Mayo Clinic, Rochester, MN, USA)

저널정보: 대한신장학회 Kidney Research and Clinical Practice Kidney Research and Clinical Practice Vol.43 No.4

발행연도: 2024.7

수록면: 417 - 432 (16page)

DOI: 10.23876/j.krcp.23.298

이용수

📌

연구주제

📖

연구배경

🔬

연구방법

🏆

연구결과

초록· 키워드

오류제보하기

Sepsis-associated acute kidney injury (SA-AKI) is a serious complication in critically ill patients, resulting in higher mortality, morbidity, and cost. The intricate pathophysiology of SA-AKI requires vigilant clinical monitoring and appropriate, prompt intervention. While traditional statistical analyses have identified severe risk factors for SA-AKI, the results have been inconsistent across studies. This has led to growing interest in leveraging artificial intelligence (AI) and machine learning (ML) to predict SA-AKI better. ML can uncover complex patterns beyond human discernment by analyzing vast datasets. Supervised learning models like XGBoost and RNN-LSTM have proven remarkably accurate at predicting SA-AKI onset and subsequent mortality, often surpassing traditional risk scores. Meanwhile, unsupervised learning reveals clinically relevant sub-phenotypes among diverse SA-AKI patients, enabling more tailored care. In addition, it potentially optimizes sepsis treatment to prevent SA-AKI through continual refinement based on patient outcomes. However, utilizing AI/ML presents ethical and practical challenges regarding data privacy, algorithmic biases, and regulatory compliance. AI/ML allows early risk detection, personalized management, optimal treatment strategies, and collaborative learning for SA-AKI management. Future directions include real-time patient monitoring, simulated data generation, and predictive algorithms for timely interventions. However, a smooth transition to clinical practice demands continuous model enhancements and rigorous regulatory oversight. In this article, we outlined the conventional methods used to address SA-AKI and explore how AI and ML can be applied to diagnose and manage SA-AKI, highlighting their potential to revolutionize SA-AKI care.

#Artificial intelligence #Machine learning #Precision medicine #Acute kidney injury #Sepsis

참고문헌 (0)

참고문헌 신청

참고문헌이 DBpia에서 서비스 중이라면, [참고문헌 신청]을 통해 등록해보세요

함께 읽어보면 좋을 논문

논문 유사도에 따라 DBpia 가 추천하는 논문입니다. 함께 보면 좋을 연관 논문을 확인해보세요!

최근 본 자료

전체보기

구분	그룹	데이터 항목
AI 학습용 데이터	원문	원문 PDF 파일
AI 학습용 데이터	원문 + 메타 (기본/상세)	원문 PDF 파일 및 서지정보 CSV
대량 구매용 데이터	B2B 구독 방식	특정 자료 한정으로 원문 접근 권한 부여
대량 구매용 데이터	URL 전달 방식	바로 PDF 뷰어를 열람할 수 있는 URL 제공

구분	그룹	데이터 항목
AI 학습용 데이터	기본 메타	발행기관명, 간행물명, 권호명, 권(vol), 호(issue), 통권, 발행연도, 발행월, 논문명, 저자명, 시작페이지, 종료페이지, 전체페이지, 상세페이지URL
상세 메타 데이터	발행기관 메타	발행기관 이명, 영문명, 창립연도, 홈페이지URL, 발행기관 소개
	간행물 메타	부제목, 간행물 유형, ISSN, ISBN, 최초발행연도, 폐간연도, 간행빈도, 발행주기, 등재사항, 이용수, 피인용수, 권호수, 논문수, 표지이미지
	논문 메타	작성 언어, 부제목, 대등제목, 목차, 키워드, 초록, 이미지, 참고문헌, 이용수, 피인용수, 논문활용도, DBpia통합주제분류, KDC분류, DDC분류, 한국연구재단분류, UCI, DOI
	저자 메타	소속기관, 소속부서, 직급, 연구분야, 연구키워드, 이용수, 피인용수, 저자 논문활용도

구분	그룹	데이터 항목
※ 결합형/맞춤형 메타 데이터는 신청 내용에 따라 다양하게 제공 가능
이용순위 정보	주제분야별 많이 이용된 논문	“인문학”에서 많이 이용된 논문 TOP100
	이용기관별 많이 이용된 논문	“중고등학교”에서 많이 이용된 논문 TOP100
	세부기관별 많이 이용된 논문	“서울대학교”에서 많이 이용된 논문 TOP100
	키워드별 많이 이용된 논문	“Chat GPT”에서 많이 이용된 논문 TOP100
키워드 정보	많이 이용된 키워드	특정기간/분야/저널 내 많이 이용된 키워드
	많이 발행된 키워드	특정기간/분야/저널 내 많이 발행된 키워드
	많이 검색된 키워드	특정기간/분야/저널 내 많이 검색된 키워드
	연구 트렌드 키워드	특정 키워드 연관 연구동향 분석 데이터 키워드

논문 기본 정보

초록· 키워드

AI 요약

연구주제

연구배경

연구방법

연구결과

주요내용

목차

참고문헌 (0)

함께 읽어보면 좋을 논문

최근 본 자료

댓글(0)