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:0
  器官损伤老要不易察觉,往往会但是 错过最佳治疗时机。基于人工智能的新辦法 能持续监测病人的健康数据并及时预测即将存在的肾脏损伤。

  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有的是诱发这人 十分普遍的病症。但目前医疗界却过高 有效的手段来预测病人有无会存在以及何有的是存在急性肾损伤。目前对于高危病人的临床避免手段是每天检测血液中的肌酸酐浓度,浓度过高 就原困肾功能出现了哪几种的问題。

  近日,来自DeepMind等多个机构的研究人员[2]提出了这人 基于人工智能的新辦法 ,不需要 有效预测病人即将存在的肾功能损伤。相较于传统辦法 ,这人 新辦法 可不可不可以 提前一到五天检测出大次要病人的肾脏损伤的存在风险。可能性肾脏损伤往往在最后阶段才被察觉,此时肾脏可能性存在不可逆的损害,严重时可能性留下都要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辦法 将为有效的临床治疗赢得宝贵的时间。

  层厚学习作为近年来发展最快的人工智能辦法 ,可不可不可以 是效识别出数据中隐含的与特定结果相关的模式。在这人 研究中,研究人员利用层厚学习的辦法 来检测急性肾损伤。训练层厚学习算法都要小量的数据,研究人员从美国退伍军人事务部(US Department of Veterans Affairs,为美国退伍军所有人其家属提供服务)负责运营的172家医院和1062家门诊中,分类分类整理了超过70万例成年病例的数据(2011年-2015年)。哪几种经过匿名避免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和同事们从数据中分类整理出了约80亿个数据点和80多万个记录社会形态,或多或少人 选择 了这人 被称为循环神经网络的层厚学习辦法 来避免时序数据并对计算机进行训练,这人 辦法 在层厚学习领域被证明非常适合避免时序数据。

  在训练完成后,研究人员利用但是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存在急性肾损伤的可能性性。可能性预测的概率值超过一定阈值,这人 预测结果将被标记为阳性(如图一所示)。病人后续有无被检查出病情则会验证算法的预测精度。该模型一同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下行速率 指标。

图一:预测肾功能障碍的结果。图a表示Tomašev 团队提出的辦法 可不可不可以 给出急性肾损伤的预警信号。研究人员利用人工智能中的层厚学习辦法 来训练计算机从数据中检测与后续肾损伤相关的模式。研究人员利用这人 算法来分析过往的医疗数据,包括电子健康档案和益验结果等等。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,对应病人存在急性肾功能损伤的可能性性。可能性概率超过一定阈值,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团队的研究辦法 将提供比传统辦法 更早的预警信号,为医生和病人赢得了宝贵的治疗时间。

  Tomašev 和同事们提出的新辦法 比或多或少基于统计或机器学习的辦法 更为精确地预测了即将要存在的肾损伤[3,4],但是 对于医院内病人的预测精度最高——医院内病人存在急性肾损伤的比门诊诊所更为频繁,一同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,这人 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天内都要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一同间周期内具有例如的预测精度。

  此外,研究人员使用了消融性分析辦法 来鉴别与肾损伤存在风险相关的因素,结果发现有统统,这他说解释了为什么么过去让研究人员分析这人 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辦法 的重大应用潜力。可能性利用传统辦法 检测,医生将在第五天不需要 获悉肾损伤的存在,而新辦法 则可不可不可以 提前五天预测出来,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,包括增加病人的甲烷乙炔气体体摄取,可能性避免使用可能性造成肾毒性的药物。

  然而这人 系统也存在一定哪几种的问題:生成一系列假阳性的预测结果,即误报或多或少如此存在的肾损伤。每个精确的预测会对应二个 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辦法 将在前瞻性研究中存在一定程度的退化[5],这可能性是可能性临床中的真实数据会比预先存在的经过清洗的“干净”数据要繁复得多。

  前瞻性研究是检测预测系统的真实临床价值的根本所在,而预测成功有无是的是 唯一应加以评估的因素。要选择 计算机生成的预警信号有无在临床中减少了急性肾损伤的存在率,这人 辦法 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或多或少的人群身上进行有效性测试。作者的研究只中有 了如此7%的女孩子病例,如此模型对于不同性别的病人有无具有相同的预测精度,也值得在未来进行深入研究。

  虽然这人 研究中有 了不同种类的数据,但还有或多或少数据源也值得纳入进来,例如病历上的手写内容,来自可穿戴传感器的连续生命监测信号,如心率等,哪几种有的是 可能性提供有价值的相关信息。

  对于非重症病人来说,常规监测辦法 是每天测量一次生命体征,但病人老要会老要出现病情急转直下的情况汇报。Tomašev 和同事的研究对于如此 的病人来说十分有用,可不可不可以 在病人存在严重的器官衰竭但是发出预警,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。

  层厚学习有望为医生提供针对任何器官情况汇报的有力预警手段,它的广泛应用他说都要医疗界改变思维辦法 。但是 从非老要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。