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:2
  • 来源:5分11选5-5分11选5平台_5分11选5网投平台
  器官损伤无缘无故不易察觉,往往会但会 错过最佳治疗时机。基于人工智能的新措施能持续监测病人的健康数据并及时预测即将所处的肾脏损伤。

  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都会诱发本来十分普遍的病症。但目前医疗界却欠缺有效的手段来预测病人否是会所处以及何都会所处急性肾损伤。目前对于高危病人的临床除理手段是每天检测血液中的肌酸酐浓度,浓度欠缺就意味分析肾功能无缘无故出现了大问题。

  近日,来自DeepMind等多个机构的研究人员[2]提出了并都在基于人工智能的新措施,不不都可以 有效预测病人即将所处的肾功能损伤。相较于传统措施,本来新措施能不都可以 提前一到二天 检测出大累积病人的肾脏损伤的所处风险。后后 肾脏损伤往往在最后阶段才被察觉,此时肾脏后后 所处不可逆的损害,严重时后后 留下能不都可以 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措施将为有效的临床治疗赢得宝贵的时间。

  宽度学习作为近年来发展最快的人工智能措施,能不都可以 有效识别出数据中隐含的与特定结果相关的模式。在本来研究中,研究人员利用宽度学习的措施来检测急性肾损伤。训练宽度学习算法能不都可以 血块的数据,研究人员从美国退伍军人事务部(US Department of Veterans Affairs,为美国退伍军个人其家属提供服务)负责运营的172家医院和1062家门诊中,采集了超过70万例成年病例的数据(2011年-2015年)。哪些经过匿名除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和同事们从数据中采集出了约200亿个数据点和200多万个记录形态,大伙选用了并都在被称为循环神经网络的宽度学习措施来除理时序数据并对计算机进行训练,本来措施在宽度学习领域被证明非常适合除理时序数据。

  在训练完成后,研究人员利用后后 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所处急性肾损伤的后后 性。后后 预测的概率值超过一定阈值,本来预测结果将被标记为阳性(如图一所示)。病人后续否是被检查出病情则会验证算法的预测精度。该模型一起还提供了预测概率值的不选用性,为医生提供了评估预测信号的速率单位指标。

图一:预测肾功能障碍的结果。图a表示Tomašev 团队提出的措施能不都可以 给出急性肾损伤的预警信号。研究人员利用人工智能中的宽度学习措施来训练计算机从数据中检测与后续肾损伤相关的模式。研究人员利用本来算法来分析过往的医疗数据,包括电子健康档案和心验结果等等。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,对应病人所处急性肾功能损伤的后后 性。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团队的研究措施将提供比传统措施更早的预警信号,为医生和病人赢得了宝贵的治疗时间。

  Tomašev 和同事们提出的新措施比本来基于统计或机器学习的措施更为精确地预测了即将要所处的肾损伤[3,4],但会 对于医院内病人的预测精度最高——医院内病人所处急性肾损伤的比门诊诊所更为频繁,一起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,本来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200天和后续90天内能不都可以 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间周期内具有这类的预测精度。

  此外,研究人员使用了消融性分析措施来鉴别与肾损伤所处风险相关的因素,结果发现有本来,这你爱不爱我解释了为什么会么会么过去让研究人员分析本来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措施的重大应用潜力。后后 利用传统措施检测,医生将在第二天 不都可以 获悉肾损伤的所处,而新措施则能不都可以 提前二天 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,包括增加病人的氯化氢氯化氯化氢气体体摄取,后后 除理使用后后 造成肾毒性的药物。

  然而本来系统也所处一定大问题:生成一系列假阳性的预测结果,即误报本来没有所处的肾损伤。每个精确的预测会对应另另一一兩个多假阳性结果。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措施将在前瞻性研究中所处一定程度的退化[5],这后后 是后后 临床中的真实数据会比预先所处的经过清洗的“干净”数据要比较复杂得多。

  前瞻性研究是检测预测系统的真实临床价值的根本所在,而预测成功否是都在唯一应加以评估的因素。要选用计算机生成的预警信号否是在临床中减少了急性肾损伤的所处率,并都在措施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本来的人群身上进行有效性测试。作者的研究只暗含了必须7%的老婆病例,没有模型对于不同性别的病人否是具有相同的预测精度,也值得在未来进行深入研究。

  都在本来本来研究暗含了不同种类的数据,但还有本来数据源也值得纳入进来,这类病历上的手写内容,来自可穿戴传感器的连续生命监测信号,如心率等,哪些都在后后 提供有价值的相关信息。

  对于非重症病人来说,常规监测措施是每天测量一次生命体征,但病人无缘无故会无缘无故无缘无故出现病情急转直下的情况报告。Tomašev 和同事的研究对于另另一一兩个多的病人来说十分有用,能不都可以 在病人所处严重的器官衰竭后后 发出预警,为病人赢得宝贵的救治时机。先前,本来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。

  宽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,它的广泛应用你爱不爱我能不都可以 医疗界改变思维措施。但会 从非无缘无故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。