时间的博弈:人工智能可提前2天预测急性肾损伤

  • 时间:
  • 浏览:1
  器官损伤1个劲不易察觉,往往会统统错过最佳治疗时机。基于人工智能的新措施能持续监测病人的健康数据并及时预测即将趋于稳定的肾脏损伤。

  在美国的医院中,急性肾功能损伤的发病率高达20%[1],包括异常血压和血容量等多种因素不会诱发這個十分普遍的病症。但目前医疗界却缺陷有效的手段来预测病人是否会趋于稳定以及何不会趋于稳定急性肾损伤。目前对于高危病人的临床出理 手段是每天检测血液中的肌酸酐浓度,浓度缺陷就意味着着肾功能老出了问题。

  近日,来自DeepMind等多个机构的研究人员[2]提出了一种生活基于人工智能的新措施,都可以 有效预测病人即将趋于稳定的肾功能损伤。相较于传统措施,這個新措施都可以 都可以 提前一到4天 检测出大主次病人的肾脏损伤的趋于稳定风险。将会肾脏损伤往往在最后阶段才被察觉,此时肾脏将会趋于稳定不可逆的损害,严重时将会留下都可以 暂时或长期透析的后遗症,甚至引起病人的死亡。对于肾脏损伤的早期检测措施将为有效的临床治疗赢得宝贵的时间。

  高度学习作为近年来发展最快的人工智能措施,都可以 都可以 有效识别出数据中隐含的与特定结果相关的模式。在這個研究中,研究人员利用高度学习的措施来检测急性肾损伤。训练高度学习算法都可以 极少量的数据,研究人员从美国退伍军人事务部(US Department of Veterans Affairs,为美国退伍军所其他同学其家属提供服务)负责运营的172家医院和1062家门诊中,整理了超过70万例成年病例的数据(2011年-2015年)。有有哪些经过匿名出理 的数据为研究人员提供了人口统计信息、电子健康档案、化验结果、药物处方和过往治疗记录等数据。论文的第一作者Tomašev和同事们从数据中整理出了约80亿个数据点和80多万个记录型态,朋友选择 了一种生活被称为循环神经网络的高度学习措施来出理 时序数据并对计算机进行训练,這個措施在高度学习领域被证明非常适合出理 时序数据。

  在训练完成后,研究人员利用随后分离出的独立数据集对算法的有效性进行了测试。基于测试数据,计算机将生成接下来48小时内连续的概率值来追踪每个病人随时间推移趋于稳定急性肾损伤的将会性。将会预测的概率值超过一定阈值,這個预测结果将被标记为阳性(如图一所示)。病人后续是否被检查出病情则会验证算法的预测精度。该模型并肩还提供了预测概率值的不选择 性,为医生提供了评估预测信号的带宽指标。

图一:预测肾功能障碍的结果。图a表示Tomašev 团队提出的措施都可以 都可以 给出急性肾损伤的预警信号。研究人员利用人工智能中的高度学习措施来训练计算机从数据中检测与后续肾损伤相关的模式。研究人员利用這個算法来分析过往的医疗数据,包括电子健康档案和中验结果等等。计算机分析某个病人的历史数据后,将生成接下来48小时内的连续概率值,对应病人趋于稳定急性肾功能损伤的将会性。将会概率超过一定阈值,预测结果将被标记为阳性,并向医生发出警报(红点)。图b则表示检测病人肾功能的常规手段:每日监测血液中的肌酸酐。在此假设场景下,Tomašev团队的研究措施将提供比传统措施更早的预警信号,为医生和病人赢得了宝贵的治疗时间。

  Tomašev 和同事们提出的新措施比统统基于统计或机器学习的措施更为精确地预测了即将要趋于稳定的肾损伤[3,4],统统对于医院内病人的预测精度最高——医院内病人趋于稳定急性肾损伤的比门诊诊所更为频繁,并肩时间窗口也更为短暂。对于所有病人和所有类别的肾损伤,包括较为轻微的损伤,這個系统的平均预测精度达到了56%;而针对更为严重的肾损伤预测,对于后续80天和后续90天内都可以 透析的病人预测精度则分别达到了84%和90%。该模型在不同的医疗场所和不并肩间周期内具有类事的预测精度。

  此外,研究人员使用了消融性分析措施来鉴别与肾损伤趋于稳定风险相关的因素,结果发现有统统,这你说解释了为啥在么在在过去让研究人员分析這個风险是一件棘手的事。

  图一中的假设病例显示了研究人员所开发的新措施的重大应用潜力。将会利用传统措施检测,医生将在第4天 都可以 获悉肾损伤的趋于稳定,而新措施则都可以 都可以 提前4天 预测出来,为医务人员提供了更多宝贵的时间和更多干预治疗的手段,包括增加病人的气体体摄取,将会出理 使用将会造成肾毒性的药物。

  然而這個系统也趋于稳定一定问题:生成一系列假阳性的预测结果,即误报统统这麼 趋于稳定的肾损伤。每个精确的预测会对应1个 假阳性结果。假阳性绝大多数来源于患有慢性肾病的病人,疾病的症状会与急性肾损伤叠加,造成结果难以预测。

  本研究的另一局限在于这是一项回顾性研究,利用回顾性研究构建的人工智能措施将在前瞻性研究中趋于稳定一定程度的退化[5],这将会是将会临床中的真实数据会比预先趋于稳定的经过清洗的“干净”数据要复杂得多。

  前瞻性研究是检测预测系统的真实临床价值的根本所在,而预测成功是否不会唯一应加以评估的因素。要选择 计算机生成的预警信号是否在临床中减少了急性肾损伤的趋于稳定率,一种生活措施是开展随机设计的临床试验,只将其中一半的预测传递给医生。此外,作者的模型也应该在统统的人群身上进行有效性测试。作者的研究只涵盖了都可以 7%的女性病例,这麼 模型对于不同性别的病人是否具有相同的预测精度,也值得在未来进行深入研究。

  真是這個研究涵盖了不同种类的数据,但还有统统数据源也值得纳入进来,类事病历上的手写内容,来自可穿戴传感器的连续生命监测信号,如心率等,有有哪些不会将会提供有价值的相关信息。

  对于非重症病人来说,常规监测措施是每天测量一次生命体征,但病人1个劲会1个劲老出病情急转直下的清况 。Tomašev 和同事的研究对于原本的病人来说十分有用,都可以 都可以 在病人趋于稳定严重的器官衰竭随后发出预警,为病人赢得宝贵的救治时机。先前,统统临床背景下基于人工智能的预测性研究主要着重于研究疾病转归,包括死亡、再入院或住院时间等[6],而Tomašev 等人的研究结果则提供了独特的视角,为临床干预提供了有效的预测信号。

  高度学习有望为医生提供针对任何器官清况 的有力预警手段,它的广泛应用你说都可以 医疗界改变思维措施。统统从非1个劲的一次性测试转向系统性的连续监测,或将为医务人员提供更有效的手段来预测病人的病情变化。