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
  器官损伤有有1个劲不易察觉,往往会而且错过最佳治疗时机。基于人工智能的新依据能持续监测病人的健康数据并及时预测即将所处的肾脏损伤。

  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都可不都里能 诱发你这个十分普遍的病症。但目前医疗界却严重不足有效的手段来预测病人与否会所处以及何时能 会所处急性肾损伤。目前对于高危病人的临床除理手段是每天检测血液中的肌酸酐浓度,浓度严重不足就原因分析分析肾功能总出 了问题。

  近日,来自DeepMind等多个机构的研究人员[2]提出了并与否基于人工智能的新依据,都可不都里能有效预测病人即将所处的肾功能损伤。相较于传统依据,你这个新依据都可不都里能 提前一到两天检测出大次要病人的肾脏损伤的所处风险。不可能 肾脏损伤往往在最后阶段才被察觉,此时肾脏不可能 所处不可逆的损害,严重时不可能 留下时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依据将为有效的临床治疗赢得宝贵的时间。

  淬硬层 学习作为近年来发展最快的人工智能依据,都可不都里能 有效识别出数据中隐含的与特定结果相关的模式。在你这个研究中,研究人员利用淬硬层 学习的依据来检测急性肾损伤。训练淬硬层 学习算法时要絮状的数据,研究人员从美国退伍军人事务部(US Department of Veterans Affairs,为美国退伍军个人所有所有其家属提供服务)负责运营的172家医院和1062家门诊中,挂接了超过70万例成年病例的数据(2011年-2015年)。那此经过匿名除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和同事们从数据中挂接出了约80亿个数据点和80多万个记录结构,亲戚亲戚大伙挑选了并与否被称为循环神经网络的淬硬层 学习依据来除理时序数据并对计算机进行训练,你这个依据在淬硬层 学习领域被证明非常适合除理时序数据。

  在训练完成后,研究人员利用前一天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所处急性肾损伤的不可能 性。不可能 预测的概率值超过一定阈值,你这个预测结果将被标记为阳性(如图一所示)。病人后续与否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挑选性,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 团队提出的依据都可不都里能 给出急性肾损伤的预警信号。研究人员利用人工智能中的淬硬层 学习依据来训练计算机从数据中检测与后续肾损伤相关的模式。研究人员利用你这个算法来分析过往的医疗数据,包括电子健康档案与生验结果等等。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,对应病人所处急性肾功能损伤的不可能 性。不可能 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团队的研究依据将提供比传统依据更早的预警信号,为医生和病人赢得了宝贵的治疗时间。

  Tomašev 和同事们提出的新依据比许多基于统计或机器学习的依据更为精确地预测了即将要所处的肾损伤[3,4],而且对于医院内病人的预测精度最高——医院内病人所处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,你这个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天内时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同类于的预测精度。

  此外,研究人员使用了消融性分析依据来鉴别与肾损伤所处风险相关的因素,结果发现有全都,这我说解释了怎么么过去让研究人员分析你这个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依据的重大应用潜力。不可能 利用传统依据检测,医生将在第两天都可不都里能获悉肾损伤的所处,而新依据则都可不都里能 提前两天预测出来,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,包括增加病人的乙炔气体体摄取,不可能 除理使用不可能 造成肾毒性的药物。

  然而你这个系统也所处一定问题:生成一系列假阳性的预测结果,即误报许多没哟所处的肾损伤。每个精确的预测会对应有有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依据将在前瞻性研究中所处一定程度的退化[5],这不可能 是不可能 临床中的真实数据会比预先所处的经过清洗的“干净”数据要比较复杂得多。

  前瞻性研究是检测预测系统的真实临床价值的根本所在,而预测成功与否都可不都里能 唯一应加以评估的因素。要挑选计算机生成的预警信号与否在临床中减少了急性肾损伤的所处率,并与否依据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许多的人群身上进行有效性测试。作者的研究只含晒 了都可不都里能7%的女孩子病例,没哟模型对于不同性别的病人与否具有相同的预测精度,也值得在未来进行深入研究。

  觉得你这个研究含晒 了不同种类的数据,但还有许多数据源也值得纳入进来,同类于病历上的手写内容,来自可穿戴传感器的连续生命监测信号,如心率等,那此都可不都里能 不可能 提供有价值的相关信息。

  对于非重症病人来说,常规监测依据是每天测量一次生命体征,但病人有有1个劲会有有1个劲总出 病情急转直下的清况 。Tomašev 和同事的研究对于那我的病人来说十分有用,都可不都里能 在病人所处严重的器官衰竭前一天发出预警,为病人赢得宝贵的救治时机。先前,全都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。

  淬硬层 学习有望为医生提供针对任何器官清况 的有力预警手段,它的广泛应用我说时要医疗界改变思维依据。而且从非有有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。