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,往往会为何让错过最佳治疗时机。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位于的肾脏损伤。

  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一定会诱发有一种 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与非 会位于以及何一定会位于急性肾损伤。目前对于高危病人的临床补救手段是每天检测血液中的肌酸酐浓度,浓度过高 就因为分析肾功能一个劲出显了问提。

  近日,来自DeepMind等多个机构的研究人员[2]提出了有一种基于人工智能的新辦法 ,都都还能能有效预测病人即将位于的肾功能损伤。相较于传统辦法 ,有一种 新辦法 都越来越提前一到半年检测出大部分病人的肾脏损伤的位于风险。可能性肾脏损伤往往在最后阶段才被察觉,此时肾脏可能性位于不可逆的损害,严重时可能性留下越来越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。

  高度学习作为近年来发展最快的人工智能辦法 ,都越来越有效识别出数据中隐含的与特定结果相关的模式。在有一种 研究中,研究人员利用高度学习的辦法 来检测急性肾损伤。训练高度学习算法越多量的数据,研究人员从美国退伍军人事务部(US Department of Veterans Affairs,为美国退伍军各自 其家属提供服务)负责运营的172家医院和1062家门诊中,派发了超过70万例成年病例的数据(2011年-2015年)。那些经过匿名补救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和同事们从数据中派发出了约50亿个数据点和50多万个记录形态,有人挑选了有一种被称为循环神经网络的高度学习辦法 来补救时序数据并对计算机进行训练,有一种 辦法 在高度学习领域被证明非常适合补救时序数据。

  在训练完成后,研究人员利用完后 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位于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,有一种 预测结果将被标记为阳性(如图一所示)。病人后续是与非 被检查出病情则会验证算法的预测精度。该模型一齐还提供了预测概率值的不挑选性,为医生提供了评估预测信号的传输效率指标。

图一:预测肾功能障碍的结果。图a表示Tomašev 团队提出的辦法 都越来越给出急性肾损伤的预警信号。研究人员利用人工智能中的高度学习辦法 来训练计算机从数据中检测与后续肾损伤相关的模式。研究人员利用有一种 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,对应病人位于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 比其他基于统计或机器学习的辦法 更为精确地预测了即将要位于的肾损伤[3,4],为何让对于医院内病人的预测精度最高——医院内病人位于急性肾损伤的比门诊诊所更为频繁,一齐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,有一种 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50天和后续90天内越来越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齐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 来鉴别与肾损伤位于风险相关的因素,结果发现有其他其他,这他说解释了为何么过去让研究人员分析有一种 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辦法 的重大应用潜力。可能性利用传统辦法 检测,医生将在第半年都还能能获悉肾损伤的位于,而新辦法 则都越来越提前半年预测出来,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,包括增加病人的汽体汽体汽体摄取,可能性补救使用可能性造成肾毒性的药物。

  然而有一种 系统也位于一定问提:生成一系列假阳性的预测结果,即误报其他越来越 位于的肾损伤。每个精确的预测会对应有另兩个 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 将在前瞻性研究中位于一定程度的退化[5],这可能性是可能性临床中的真实数据会比预先位于的经过清洗的“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,而预测成功是与非 一定会唯一应加以评估的因素。要挑选计算机生成的预警信号是与非 在临床中减少了急性肾损伤的位于率,有一种辦法 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其他的人群身上进行有效性测试。作者的研究只蕴含了越来越7%的男人的女人的女人病例,越来越 模型对于不同性别的病人是与非 具有相同的预测精度,也值得在未来进行深入研究。

  虽然有一种 研究蕴含了不同种类的数据,但还有其他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,那些一定会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显病情急转直下的情况报告。Tomašev 和同事的研究对于其他其他的病人来说十分有用,都越来越在病人位于严重的器官衰竭完后 发出预警,为病人赢得宝贵的救治时机。先前,其他其他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。

  高度学习有望为医生提供针对任何器官情况报告的有力预警手段,它的广泛应用他说越来越医疗界改变思维辦法 。为何让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。