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,往往会或者错过最佳治疗时机。基于人工智能的新办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都在诱发许多十分普遍的病症。但目前医疗界却匮乏有效的手段来预测病人是否是会存在以及何都在存在急性肾损伤。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,浓度匮乏就原应肾功能冒出了问题图片图片。

  近日,来自DeepMind等多个机构的研究人员[2]提出了五种基于人工智能的新办法,也能有效预测病人即将存在的肾功能损伤。相较于传统办法,许多新办法都前要提前一到五六天检测出大次责病人的肾脏损伤的存在风险。将会肾脏损伤往往在最后阶段才被察觉,此时肾脏将会存在不可逆的损害,严重时将会留下前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办法将为有效的临床治疗赢得宝贵的时间。

  深层学习作为近年来发展最快的人工智能办法,都前要有效识别出数据中隐含的与特定结果相关的模式。在许多研究中,研究人员利用深层学习的办法来检测急性肾损伤。训练深层学习算法前要几瓶的数据,研究人员从美国退伍军人事务部(US Department of Veterans Affairs,为美国退伍军各自 其家属提供服务)负责运营的172家医院和1062家门诊中,分发了超过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发出了约80亿个数据点和80多万个记录行态,大伙儿 选泽了五种被称为循环神经网络的深层学习办法来处置时序数据并对计算机进行训练,许多办法在深层学习领域被证明非常适合处置时序数据。

  在训练完成后,研究人员利用并且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将会性。将会预测的概率值超过一定阈值,许多预测结果将被标记为阳性(如图一所示)。病人后续是否是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泽性,为医生提供了评估预测信号的数率指标。

图一:预测肾功能障碍的结果。图a表示Tomašev 团队提出的办法都前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深层学习办法来训练计算机从数据中检测与后续肾损伤相关的模式。研究人员利用许多算法来分析过往的医疗数据,包括电子健康档案和阳验结果等等。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团队的研究办法将提供比传统办法更早的预警信号,为医生和病人赢得了宝贵的治疗时间。

  Tomašev 和同事们提出的新办法比许多基于统计或机器学习的办法更为精确地预测了即将要存在的肾损伤[3,4],或者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,许多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天内前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类式的预测精度。

  此外,研究人员使用了消融性分析办法来鉴别与肾损伤存在风险相关的因素,结果发现有很多,这我知道你解释了为什么会么会过去让研究人员分析许多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办法的重大应用潜力。将会利用传统办法检测,医生将在第五六天也能获悉肾损伤的存在,而新办法则都前要提前五六天预测出来,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氯化氯化氢气体体体摄取,将会处置使用将会造成肾毒性的药物。

  然而许多系统也存在一定问题图片图片:生成一系列假阳性的预测结果,即误报许多越来越存在的肾损伤。每个精确的预测会对应有有另另一个假阳性结果。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办法将在前瞻性研究中存在一定程度的退化[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,而预测成功是否是都在唯一应加以评估的因素。要选泽计算机生成的预警信号是否是在临床中减少了急性肾损伤的存在率,五种办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许多的人群身上进行有效性测试。作者的研究只蕴含了也能也能7%的一个女人病例,越来越模型对于不同性别的病人是否是具有相同的预测精度,也值得在未来进行深入研究。

  其实许多研究蕴含了不同种类的数据,但还有许多数据源也值得纳入进来,类式病历上的手写内容,来自可穿戴传感器的连续生命监测信号,如心率等,哪些都在将会提供有价值的相关信息。

  对于非重症病人来说,常规监测办法是每天测量一次生命体征,但病人突然会突然冒出病情急转直下的请况。Tomašev 和同事的研究对于原先的病人来说十分有用,都前要在病人存在严重的器官衰竭并且发出预警,为病人赢得宝贵的救治时机。先前,很多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。

  深层学习有望为医生提供针对任何器官请况的有力预警手段,它的广泛应用我知道你前要医疗界改变思维办法。或者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。