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:17
  • 来源:快3平台出租_快3平台赚钱的
  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。基于人工智能的新最好的土办法 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都不 诱发相似十分普遍的病症。但目前医疗界却不足有效的手段来预测病人是是是否是是会存在以及何都不 存在急性肾损伤。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,浓度不足就原因肾功能无缘无故出现了什么的问题。

  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最好的土办法 ,能够有效预测病人即将存在的肾功能损伤。相较于传统最好的土办法 ,相似新最好的土办法 还时要提前一到4天 检测出大次责病人的肾脏损伤的存在风险。肯能肾脏损伤往往在最后阶段才被察觉,此时肾脏肯能存在不可逆的损害,严重时肯能留下时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最好的土办法 将为有效的临床治疗赢得宝贵的时间。

  角度学习作为近年来发展最快的人工智能最好的土办法 ,还时要有效识别出数据中隐含的与特定结果相关的模式。在相似研究中,研究人员利用角度学习的最好的土办法 来检测急性肾损伤。训练角度学习算法时要几滴 的数据,研究人员从美国退伍军人事务部(US Department of Veterans Affairs,为美国退伍军该人 其家属提供服务)负责运营的172家医院和1062家门诊中,挂接了超过70万例成年病例的数据(2011年-2015年)。哪此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和同事们从数据中挂接出了约400亿个数据点和400多万个记录结构,人们选者了一种生活被称为循环神经网络的角度学习最好的土办法 来解决时序数据并对计算机进行训练,相似最好的土办法 在角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肯能性。肯能预测的概率值超过一定阈值,相似预测结果将被标记为阳性(如图一所示)。病人后续是是是否是是被检查出病情则会验证算法的预测精度。该模型并肩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 团队提出的最好的土办法 还时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角度学习最好的土办法 来训练计算机从数据中检测与后续肾损伤相关的模式。研究人员利用相似算法来分析过往的医疗数据,包括电子健康档案跟生验结果等等。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肯能性。肯能概率超过一定阈值,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团队的研究最好的土办法 将提供比传统最好的土办法 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土办法 比但会 基于统计或机器学习的最好的土办法 更为精确地预测了即将要存在的肾损伤[3,4],但会 对于医院内病人的预测精度最高——医院内病人存在急性肾损伤的比门诊诊所更为频繁,并肩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,相似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天内时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并肩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最好的土办法 来鉴别与肾损伤存在风险相关的因素,结果发现有但会 ,这他说解释了为什在么在在过去让研究人员分析相似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土办法 的重大应用潜力。肯能利用传统最好的土办法 检测,医生将在第4天 能够获悉肾损伤的存在,而新最好的土办法 则还时要提前4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气体二氧化碳气体气体二氧化碳气体气体摄取,肯能解决使用肯能造成肾毒性的药物。

  然而相似系统也存在一定什么的问题:生成一系列假阳性的预测结果,即误报但会 必须存在的肾损伤。每个精确的预测会对应另俩个 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土办法 将在前瞻性研究中存在一定程度的退化[5],这肯能是肯能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,而预测成功是是是否是是都不 唯一应加以评估的因素。要选者计算机生成的预警信号是是是否是是在临床中减少了急性肾损伤的存在率,一种生活最好的土办法 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但会 的人群身上进行有效性测试。作者的研究只饱含了必须7%的男人病例,必须模型对于不同性别的病人是是是否是是具有相同的预测精度,也值得在未来进行深入研究。

  虽然相似研究饱含了不同种类的数据,但还有但会 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,哪此都不 肯能提供有价值的相关信息。

  对于非重症病人来说,常规监测最好的土办法 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清况 。Tomašev 和同事的研究对于原先的病人来说十分有用,还时要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,但会 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。

  角度学习有望为医生提供针对任何器官清况 的有力预警手段,它的广泛应用他说时要医疗界改变思维最好的土办法 。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。