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
  器官损伤老要不易察觉,往往会有刚刚 错过最佳治疗时机。基于人工智能的新最好的办法 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总要诱发例如 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与非 会存在以及何总要存在急性肾损伤。目前对于高危病人的临床处理手段是每天检测血液中的肌酸酐浓度,浓度严重不足就原困 肾功能出先了问提报告 。

  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最好的办法 ,也能有效预测病人即将存在的肾功能损伤。相较于传统最好的办法 ,例如 新最好的办法 能越来越提前一到三天 检测出大要素病人的肾脏损伤的存在风险。原困 肾脏损伤往往在最后阶段才被察觉,此时肾脏原困 存在不可逆的损害,严重时原困 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最好的办法 将为有效的临床治疗赢得宝贵的时间。

  淬硬层 学习作为近年来发展最快的人工智能最好的办法 ,能越来越有效识别出数据中隐含的与特定结果相关的模式。在例如 研究中,研究人员利用淬硬层 学习的最好的办法 来检测急性肾损伤。训练淬硬层 学习算法越来越少量的数据,研究人员从美国退伍军人事务部(US Department of Veterans Affairs,为美国退伍军其他人其家属提供服务)负责运营的172家医院和1062家门诊中,整理了超过70万例成年病例的数据(2011年-2015年)。有有哪些经过匿名处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和同事们从数据中整理出了约400亿个数据点和400多万个记录底部形态,亲戚亲戚他们选者了有一种被称为循环神经网络的淬硬层 学习最好的办法 来处理时序数据并对计算机进行训练,例如 最好的办法 在淬硬层 学习领域被证明非常适合处理时序数据。

  在训练完成后,研究人员利用刚刚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原困 性。原困 预测的概率值超过一定阈值,例如 预测结果将被标记为阳性(如图一所示)。病人后续与非 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者性,为医生提供了评估预测信号的强度指标。

图一:预测肾功能障碍的结果。图a表示Tomašev 团队提出的最好的办法 能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淬硬层 学习最好的办法 来训练计算机从数据中检测与后续肾损伤相关的模式。研究人员利用例如 算法来分析过往的医疗数据,包括电子健康档案与生验结果等等。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,对应病人存在急性肾功能损伤的原困 性。原困 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团队的研究最好的办法 将提供比传统最好的办法 更早的预警信号,为医生和病人赢得了宝贵的治疗时间。

  Tomašev 和同事们提出的新最好的办法 比许多基于统计或机器学习的最好的办法 更为精确地预测了即将要存在的肾损伤[3,4],有刚刚 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,例如 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块儿间周期内具有例如 的预测精度。

  此外,研究人员使用了消融性分析最好的办法 来鉴别与肾损伤存在风险相关的因素,结果发现有许多许多,这我说解释了为甚过去让研究人员分析例如 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办法 的重大应用潜力。原困 利用传统最好的办法 检测,医生将在第三天 也能获悉肾损伤的存在,而新最好的办法 则能越来越提前三天 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,包括增加病人的乙炔液体体摄取,原困 处理使用原困 造成肾毒性的药物。

  然而例如 系统也存在一定问提报告 :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最好的办法 将在前瞻性研究中存在一定程度的退化[5],这原困 是原困 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,而预测成功与非 全部总要唯一应加以评估的因素。要选者计算机生成的预警信号与非 在临床中减少了急性肾损伤的存在率,有一种最好的办法 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越来越7%的女性病例,越来越模型对于不同性别的病人与非 具有相同的预测精度,也值得在未来进行深入研究。

  觉得例如 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,例如 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,有有哪些全部总要原困 提供有价值的相关信息。

  对于非重症病人来说,常规监测最好的办法 是每天测量一次生命体征,但病人老要会老要出先病情急转直下的状况。Tomašev 和同事的研究对于另有另另一个的病人来说十分有用,能越来越在病人存在严重的器官衰竭刚刚发出预警,为病人赢得宝贵的救治时机。先前,许多许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。

  淬硬层 学习有望为医生提供针对任何器官状况的有力预警手段,它的广泛应用我说越来越医疗界改变思维最好的办法 。有刚刚 从非老要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。