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
  器官损伤一个劲不易察觉,往往会有后后错过最佳治疗时机。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发生的肾脏损伤。

  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全部都是诱发而是我 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不是会发生以及何全部都是发生急性肾损伤。目前对于高危病人的临床解决手段是每天检测血液中的肌酸酐浓度,浓度缺陷就原应分析肾功能一个劲出现了什么的间题。

  近日,来自DeepMind等多个机构的研究人员[2]提出了某种基于人工智能的新辦法 ,都后能 有效预测病人即将发生的肾功能损伤。相较于传统辦法 ,而是我 新辦法 可都后能 提前一到五六天检测出大次要病人的肾脏损伤的发生风险。有后后肾脏损伤往往在最后阶段才被察觉,此时肾脏有后后发生不可逆的损害,严重时有后后留下需用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。

  深层学习作为近年来发展最快的人工智能辦法 ,可都后能 是效识别出数据中隐含的与特定结果相关的模式。在而是我 研究中,研究人员利用深层学习的辦法 来检测急性肾损伤。训练深层学习算法需用小量的数据,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,架构设计 了超过70万例成年病例的数据(2011年-2015年)。什么经过匿名解决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和同事们从数据中架构设计 出了约80亿个数据点和80多万个记录行态,大伙 选择了某种被称为循环神经网络的深层学习辦法 来解决时序数据并对计算机进行训练,而是我 辦法 在深层学习领域被证明非常适合解决时序数据。

  在训练完成后,研究人员利用以前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发生急性肾损伤的有后后性。有后后预测的概率值超过一定阈值,而是我 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。该模型一块儿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传输时延指标。

图一:预测肾功能障碍的结果。图a表示Tomašev 团队提出的辦法 可都后能 给出急性肾损伤的预警信号。研究人员利用人工智能中的深层学习辦法 来训练计算机从数据中检测与后续肾损伤相关的模式。研究人员利用而是我 算法来分析过往的医疗数据,包括电子健康档案和生验结果等等。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,对应病人发生急性肾功能损伤的有后后性。有后后概率超过一定阈值,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 比而是我 基于统计或机器学习的辦法 更为精确地预测了即将要发生的肾损伤[3,4],有后后对于医院内病人的预测精度最高——医院内病人发生急性肾损伤的比门诊诊所更为频繁,一块儿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,而是我 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天内需用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块儿间周期内具有相似 的预测精度。

  此外,研究人员使用了消融性分析辦法 来鉴别与肾损伤发生风险相关的因素,结果发现有而是我 ,这是我不好解释了为何会 会 过去让研究人员分析而是我 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。有后后利用传统辦法 检测,医生将在第五六天都后能 获悉肾损伤的发生,而新辦法 则可都后能 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液体体摄取,有后后解决使用有后后造成肾毒性的药物。

  然而而是我 系统也发生一定什么的间题:生成一系列假阳性的预测结果,即误报而是我 这麼 发生的肾损伤。每个精确的预测会对应另另一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辦法 将在前瞻性研究中发生一定程度的退化[5],这有后后是有后后临床中的真实数据会比预先发生的经过清洗的“干净”数据要错综复杂得多。

  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。要选择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发生率,某种辦法 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而是我 的人群身上进行有效性测试。作者的研究只包含 了可都后能 7%的老婆病例,这麼 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。

  着实而是我 研究包含 了不同种类的数据,但还有而是我 数据源也值得纳入进来,相似 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,什么全部都是有后后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,但病人一个劲会一个劲一个劲出现病情急转直下的具体情况。Tomašev 和同事的研究对于这麼 的病人来说十分有用,可都后能 在病人发生严重的器官衰竭以前发出预警,为病人赢得宝贵的救治时机。先前,而是我 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具体情况的有力预警手段,它的广泛应用是我不好需用医疗界改变思维辦法 。有后后从非一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。