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
  器官损伤老是不易察觉,往往会为什么在么在让错过最佳治疗时机。基于人工智能的新最好的妙招能持续监测病人的健康数据并及时预测即将居于的肾脏损伤。

  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也有诱发你你什儿 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是是不是会居于以及何也有居于急性肾损伤。目前对于高危病人的临床出理 手段是每天检测血液中的肌酸酐浓度,浓度过高 就是因为肾功能老出了问題。

  近日,来自DeepMind等多个机构的研究人员[2]提出了两种基于人工智能的新最好的妙招,并能有效预测病人即将居于的肾功能损伤。相较于传统最好的妙招,你你什儿 新最好的妙招须要提前一到三天 检测出大每项病人的肾脏损伤的居于风险。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 居于不可逆的损害,严重时不可能 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最好的妙招将为有效的临床治疗赢得宝贵的时间。

  深度学习作为近年来发展最快的人工智能最好的妙招,须要有效识别出数据中隐含的与特定结果相关的模式。在你你什儿 研究中,研究人员利用深度学习的最好的妙招来检测急性肾损伤。训练深度学习算法须要少量的数据,研究人员从美国退伍军人事务部(US Department of Veterans Affairs,为美国退伍军各人 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)。那此经过匿名出理 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和同事们从数据中架构设计 出了约400亿个数据点和400多万个记录底部形态,我们 选取了两种被称为循环神经网络的深度学习最好的妙招来出理 时序数据并对计算机进行训练,你你什儿 最好的妙招在深度学习领域被证明非常适合出理 时序数据。

  在训练完成后,研究人员利用就让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居于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,你你什儿 预测结果将被标记为阳性(如图一所示)。病人后续是是不是被检查出病情则会验证算法的预测精度。该模型并肩还提供了预测概率值的不选取性,为医生提供了评估预测信号的效率指标。

图一:预测肾功能障碍的结果。图a表示Tomašev 团队提出的最好的妙招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深度学习最好的妙招来训练计算机从数据中检测与后续肾损伤相关的模式。研究人员利用你你什儿 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,对应病人居于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团队的研究最好的妙招将提供比传统最好的妙招更早的预警信号,为医生和病人赢得了宝贵的治疗时间。

  Tomašev 和同事们提出的新最好的妙招比其他基于统计或机器学习的最好的妙招更为精确地预测了即将要居于的肾损伤[3,4],为什么在么在让对于医院内病人的预测精度最高——医院内病人居于急性肾损伤的比门诊诊所更为频繁,并肩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,你你什儿 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400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并肩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最好的妙招来鉴别与肾损伤居于风险相关的因素,结果发现有可是我,这他说解释了为什么在么在在么在在过去让研究人员分析你你什儿 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最好的妙招的重大应用潜力。不可能 利用传统最好的妙招检测,医生将在第三天 并能获悉肾损伤的居于,而新最好的妙招则须要提前三天 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,包括增加病人的氢气摄取,不可能 出理 使用不可能 造成肾毒性的药物。

  然而你你什儿 系统也居于一定问題:生成一系列假阳性的预测结果,即误报其他越来越居于的肾损伤。每个精确的预测会对应另有两个假阳性结果。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最好的妙招将在前瞻性研究中居于一定程度的退化[5],这不可能 是不可能 临床中的真实数据会比预先居于的经过清洗的“干净”数据要复杂化得多。

  前瞻性研究是检测预测系统的真实临床价值的根本所在,而预测成功是是不是也有唯一应加以评估的因素。要选取计算机生成的预警信号是是不是在临床中减少了急性肾损伤的居于率,两种最好的妙招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其他的人群身上进行有效性测试。作者的研究只包含 了只能7%的女人不病例,越来越模型对于不同性别的病人是是不是具有相同的预测精度,也值得在未来进行深入研究。

  我觉得你你什儿 研究包含 了不同种类的数据,但还有其他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,那此也有不可能 提供有价值的相关信息。

  对于非重症病人来说,常规监测最好的妙招是每天测量一次生命体征,但病人老是会老是老出病情急转直下的情况。Tomašev 和同事的研究对于越来越 的病人来说十分有用,须要在病人居于严重的器官衰竭就让发出预警,为病人赢得宝贵的救治时机。先前,可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。

  深度学习有望为医生提供针对任何器官情况的有力预警手段,它的广泛应用他说须要医疗界改变思维最好的妙招。为什么在么在让从非老是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。