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:3
  • 来源:5分赛车官网-5分时时彩平台_大发6合网投平台
  器官损伤总爱不易察觉,往往会后来错过最佳治疗时机。基于人工智能的新土法子能持续监测病人的健康数据并及时预测即将发生的肾脏损伤。

  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就有诱发你这名 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有无 会发生以及何就有发生急性肾损伤。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,浓度严重不足就原因分析着肾功能出现了问题报告 。

  近日,来自DeepMind等多个机构的研究人员[2]提出了一种生活基于人工智能的新土法子,都都还都还能有无效预测病人即将发生的肾功能损伤。相较于传统土法子,你这名 新土法子都都要提前一到两天检测出大每段病人的肾脏损伤的发生风险。原因分析着肾脏损伤往往在最后阶段才被察觉,此时肾脏原因分析着发生不可逆的损害,严重时原因分析着留下都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土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土法子,都都要有效识别出数据中隐含的与特定结果相关的模式。在你这名 研究中,研究人员利用深度学习的土法子来检测急性肾损伤。训练深度学习算法都要几瓶的数据,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,采集了超过70万例成年病例的数据(2011年-2015年)。你这名 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80亿个数据点和80多万个记录形态,朋友选折 了一种生活被称为循环神经网络的深度学习土法子来除理时序数据并对计算机进行训练,你这名 土法子在深度学习领域被证明非常适合除理时序数据。

  在训练完成后,研究人员利用以前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发生急性肾损伤的原因分析着性。原因分析着预测的概率值超过一定阈值,你这名 预测结果将被标记为阳性(如图一所示)。病人后续有无 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折 性,为医生提供了评估预测信号的传输速率指标。

图一:预测肾功能障碍的结果。图a表示Tomašev 团队提出的土法子都都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土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。研究人员利用你这名 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,对应病人发生急性肾功能损伤的原因分析着性。原因分析着概率超过一定阈值,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团队的研究土法子将提供比传统土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 和同事们提出的新土法子比全都基于统计或机器学习的土法子更为精确地预测了即将要发生的肾损伤[3,4],后来对于医院内病人的预测精度最高——医院内病人发生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,你这名 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80天和后续90天内都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间周期内具有之类的预测精度。

  此外,研究人员使用了消融性分析土法子来鉴别与肾损伤发生风险相关的因素,结果发现有全都,这他说解释了为什么我么我过去让研究人员分析你这名 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土法子的重大应用潜力。原因分析着利用传统土法子检测,医生将在第两天都还都还能否获悉肾损伤的发生,而新土法子则都都要提前两天预测出来,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,包括增加病人的二氧化碳摄取,原因分析着除理使用原因分析着造成肾毒性的药物。

  然而你这名 系统也发生一定问题报告 :生成一系列假阳性的预测结果,即误报全都没了发生的肾损伤。每个精确的预测会对应原先假阳性结果。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土法子将在前瞻性研究中发生一定程度的退化[5],这原因分析着原因分析着临床中的真实数据会比预先发生的经过清洗的“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,而预测成功有无 就有唯一应加以评估的因素。要选折 计算机生成的预警信号有无 在临床中减少了急性肾损伤的发生率,一种生活土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全都的人群身上进行有效性测试。作者的研究只带有了还都还能否 7%的一个女人病例,没了模型对于不同性别的病人有无 具有相同的预测精度,也值得在未来进行深入研究。

  真是你这名 研究带有了不同种类的数据,但还有全都数据源也值得纳入进来,之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,你这名 就有原因分析着提供有价值的相关信息。

  对于非重症病人来说,常规监测土法子是每天测量一次生命体征,但病人总爱会出现病情急转直下的情况。Tomašev 和同事的研究对于原先的病人来说十分有用,都都要在病人发生严重的器官衰竭以前发出预警,为病人赢得宝贵的救治时机。先前,全都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,它的广泛应用他说都要医疗界改变思维土法子。后来从非总爱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。