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
  器官损伤突然不易察觉,往往会有就说 错过最佳治疗时机。基于人工智能的新方式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都会诱发有某种十分普遍的病症。但目前医疗界却严重不足有效的手段来预测病人不是会存在以及何都会存在急性肾损伤。目前对于高危病人的临床处置手段是每天检测血液中的肌酸酐浓度,浓度严重不足就原困肾功能出现了问题报告 。

  近日,来自DeepMind等多个机构的研究人员[2]提出了有某种基于人工智能的新方式,不不可不都可以有效预测病人即将存在的肾功能损伤。相较于传统方式,有某种新方式还须要提前一到两天检测出大每项病人的肾脏损伤的存在风险。有就说 肾脏损伤往往在最后阶段才被察觉,此时肾脏有就说 存在不可逆的损害,严重时有就说 留下须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方式将为有效的临床治疗赢得宝贵的时间。

  宽度学习作为近年来发展最快的人工智能方式,还须要有效识别出数据中隐含的与特定结果相关的模式。在有某种研究中,研究人员利用宽度学习的方式来检测急性肾损伤。训练宽度学习算法须要几滴 的数据,研究人员从美国退伍军人事务部(US Department of Veterans Affairs,为美国退伍军人及其家属提供服务)负责运营的172家医院和1062家门诊中,分派了超过70万例成年病例的数据(2011年-2015年)。哪些经过匿名处置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派出了约1000亿个数据点和1000多万个记录型态,亲戚亲戚朋友选着了有某种被称为循环神经网络的宽度学习方式来处置时序数据并对计算机进行训练,有某种方式在宽度学习领域被证明非常适合处置时序数据。

  在训练完成后,研究人员利用另一一有还还有一个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有就说 性。有就说 预测的概率值超过一定阈值,有某种预测结果将被标记为阳性(如图一所示)。病人后续不是被检查出病情则会验证算法的预测精度。该模型一并还提供了预测概率值的不选着性,为医生提供了评估预测信号的波特率指标。

图一:预测肾功能障碍的结果。图a表示Tomašev 团队提出的方式还须要给出急性肾损伤的预警信号。研究人员利用人工智能中的宽度学习方式来训练计算机从数据中检测与后续肾损伤相关的模式。研究人员利用有某种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有就说 性。有就说 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团队的研究方式将提供比传统方式更早的预警信号,为医生和病人赢得了宝贵的治疗时间。

  Tomašev 和同事们提出的新方式比一些基于统计或机器学习的方式更为精确地预测了即将要存在的肾损伤[3,4],有就说 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,一并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,有某种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1000天和后续90天内须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并间周期内具有你是什么的预测精度。

  此外,研究人员使用了消融性分析方式来鉴别与肾损伤存在风险相关的因素,结果发现有所以,这我说解释了为什么过去让研究人员分析有某种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方式的重大应用潜力。有就说 利用传统方式检测,医生将在第两天不可不都可以获悉肾损伤的存在,而新方式则还须要提前两天预测出来,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,包括增加病人的氯化气体体摄取,有就说 处置使用有就说 造成肾毒性的药物。

  然而有某种系统也存在一定问题报告 :生成一系列假阳性的预测结果,即误报一些没法了存在的肾损伤。每个精确的预测会对应一有还还有一个假阳性结果。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方式将在前瞻性研究中存在一定程度的退化[5],这有就说 是有就说 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,而预测成功不是全部都是唯一应加以评估的因素。要选着计算机生成的预警信号不是在临床中减少了急性肾损伤的存在率,有某种方式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一些的人群身上进行有效性测试。作者的研究只富含了还不可不都可以了7%的一个女人病例,没法了模型对于不同性别的病人不是具有相同的预测精度,也值得在未来进行深入研究。

  觉得有某种研究富含了不同种类的数据,但还有一些数据源也值得纳入进来,你是什么病历上的手写内容,来自可穿戴传感器的连续生命监测信号,如心率等,哪些全部都是有就说 提供有价值的相关信息。

  对于非重症病人来说,常规监测方式是每天测量一次生命体征,但病人突然会突然出现病情急转直下的请况。Tomašev 和同事的研究对于另一一有还还有一个的病人来说十分有用,还须要在病人存在严重的器官衰竭另一一有还还有一个发出预警,为病人赢得宝贵的救治时机。先前,所以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。

  宽度学习有望为医生提供针对任何器官请况的有力预警手段,它的广泛应用我说须要医疗界改变思维方式。有就说 从非突然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。