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
  器官损伤时不时 不易察觉,往往会有并且 错过最佳治疗时机。基于人工智能的新法子能持续监测病人的健康数据并及时预测即将占据 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后要诱发你什儿 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算不算会占据 以及什么并且 会占据 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,浓度严重不足就是因为分析肾功能时不时 出现了什么的什么的问题 。

  近日,来自DeepMind等多个机构的研究人员[2]提出了本身基于人工智能的新法子,还都还可以有效预测病人即将占据 的肾功能损伤。相较于传统法子,你什儿 新法子还都还可以提前一到十天检测出大每项病人的肾脏损伤的占据 风险。可能性肾脏损伤往往在最后阶段才被察觉,此时肾脏可能性占据 不可逆的损害,严重时可能性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法子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法子,还都还可以有效识别出数据中隐含的与特定结果相关的模式。在你什儿 研究中,研究人员利用深度学习的法子来检测急性肾损伤。训练深度学习算法前要多量的数据,研究人员从美国退伍军人事务部(US Department of Veterans Affairs,为美国退伍军每人个其家属提供服务)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)。有有哪些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和同事们从数据中分发出了约150亿个数据点和150多万个记录形状,人们 选着了本身被称为循环神经网络的深度学习法子来解决时序数据并对计算机进行训练,你什儿 法子在深度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占据 急性肾损伤的可能性性。可能性预测的概率值超过一定阈值,你什儿 预测结果将被标记为阳性(如图一所示)。病人后续算不算被检查出病情则会验证算法的预测精度。该模型一起去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传输下行速率 指标。

图一:预测肾功能障碍的结果。图a表示Tomašev 团队提出的法子还都还可以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法子来训练计算机从数据中检测与后续肾损伤相关的模式。研究人员利用你什儿 算法来分析过往的医疗数据,包括电子健康档案和中验结果等等。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,对应病人占据 急性肾功能损伤的可能性性。可能性概率超过一定阈值,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团队的研究法子将提供比传统法子更早的预警信号,为医生和病人赢得了宝贵的治疗时间。

  Tomašev 和同事们提出的新法子比某些基于统计或机器学习的法子更为精确地预测了即将要占据 的肾损伤[3,4],有并且 对于医院内病人的预测精度最高——医院内病人占据 急性肾损伤的比门诊诊所更为频繁,一起去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150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起去间周期内具有类似于的预测精度。

  此外,研究人员使用了消融性分析法子来鉴别与肾损伤占据 风险相关的因素,结果发现有可是 ,这也许解释了为什过去让研究人员分析你什儿 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法子的重大应用潜力。可能性利用传统法子检测,医生将在第十天还都还可以获悉肾损伤的占据 ,而新法子则还都还可以提前十天预测出来,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,包括增加病人的固体 摄取,可能性解决使用可能性造成肾毒性的药物。

  然而你什儿 系统也占据 一定什么的什么的问题 :生成一系列假阳性的预测结果,即误报某些越来越 占据 的肾损伤。每个精确的预测会对应有一个 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法子将在前瞻性研究中占据 一定程度的退化[5],这可能性是可能性临床中的真实数据会比预先占据 的经过清洗的“干净”数据要冗杂得多。

  前瞻性研究是检测预测系统的真实临床价值的根本所在,而预测成功算不算后要 唯一应加以评估的因素。要选着计算机生成的预警信号算不算在临床中减少了急性肾损伤的占据 率,本身法子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某些的人群身上进行有效性测试。作者的研究只涵盖了还都还可以 7%的男人病例,越来越 模型对于不同性别的病人算不算具有相同的预测精度,也值得在未来进行深入研究。

  固然你什儿 研究涵盖了不同种类的数据,但还有某些数据源也值得纳入进来,类似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,有有哪些后要 可能性提供有价值的相关信息。

  对于非重症病人来说,常规监测法子是每天测量一次生命体征,但病人时不时 会时不时 时不时 出现病情急转直下的具体情况。Tomašev 和同事的研究对于曾经的病人来说十分有用,还都还可以在病人占据 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,可是 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具体情况的有力预警手段,它的广泛应用也许前要医疗界改变思维法子。有并且 从非时不时 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。