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
  • 来源:1.5分赛车平台-10分赛车投注平台_1分6合娱乐平台
  器官损伤无缘无故不易察觉,往往会就是错过最佳治疗时机。基于人工智能的新办法 能持续监测病人的健康数据并及时预测即将趋于稳定的肾脏损伤。

  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全部都是诱发并全部都是十分普遍的病症。但目前医疗界却匮乏有效的手段来预测病人与否会趋于稳定以及何全部都是趋于稳定急性肾损伤。目前对于高危病人的临床处里手段是每天检测血液中的肌酸酐浓度,浓度匮乏就原因肾功能出現了间题。

  近日,来自DeepMind等多个机构的研究人员[2]提出了并全部都是基于人工智能的新办法 ,不不可不还都可以 有效预测病人即将趋于稳定的肾功能损伤。相较于传统办法 ,并全部都是新办法 还都要提前一到3天检测出大部分病人的肾脏损伤的趋于稳定风险。将会肾脏损伤往往在最后阶段才被察觉,此时肾脏将会趋于稳定不可逆的损害,严重时将会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办法 将为有效的临床治疗赢得宝贵的时间。

  深度1学习作为近年来发展最快的人工智能办法 ,还都要有效识别出数据中隐含的与特定结果相关的模式。在并全部都是研究中,研究人员利用深度1学习的办法 来检测急性肾损伤。训练深度1学习算法都要大量的数据,研究人员从美国退伍军人事务部(US Department of Veterans Affairs,为美国退伍军人及其家属提供服务)负责运营的172家医院和1062家门诊中,分发了超过70万例成年病例的数据(2011年-2015年)。那先 经过匿名处里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和同事们从数据中分发出了约500亿个数据点和500多万个记录行态,亲戚亲戚朋友 选取了并全部都是被称为循环神经网络的深度1学习办法 来处里时序数据并对计算机进行训练,并全部都是办法 在深度1学习领域被证明非常适合处里时序数据。

  在训练完成后,研究人员利用事先 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趋于稳定急性肾损伤的将会性。将会预测的概率值超过一定阈值,并全部都是预测结果将被标记为阳性(如图一所示)。病人后续与否被检查出病情则会验证算法的预测精度。该模型一起去还提供了预测概率值的不选取性,为医生提供了评估预测信号的下行波特率 指标。

图一:预测肾功能障碍的结果。图a表示Tomašev 团队提出的办法 还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1学习办法 来训练计算机从数据中检测与后续肾损伤相关的模式。研究人员利用并全部都是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,对应病人趋于稳定急性肾功能损伤的将会性。将会概率超过一定阈值,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团队的研究办法 将提供比传统办法 更早的预警信号,为医生和病人赢得了宝贵的治疗时间。

  Tomašev 和同事们提出的新办法 比某些基于统计或机器学习的办法 更为精确地预测了即将要趋于稳定的肾损伤[3,4],就是对于医院内病人的预测精度最高——医院内病人趋于稳定急性肾损伤的比门诊诊所更为频繁,一起去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,并全部都是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500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去间周期内具有类似于的预测精度。

  此外,研究人员使用了消融性分析办法 来鉴别与肾损伤趋于稳定风险相关的因素,结果发现有就是,这你说歌词 解释了怎么过去让研究人员分析并全部都是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办法 的重大应用潜力。将会利用传统办法 检测,医生将在第3天不可不还都可以 获悉肾损伤的趋于稳定,而新办法 则还都要提前3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气体体摄取,将会处里使用将会造成肾毒性的药物。

  然而并全部都是系统也趋于稳定一定间题:生成一系列假阳性的预测结果,即误报某些没人趋于稳定的肾损伤。每个精确的预测会对应另有兩个 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办法 将在前瞻性研究中趋于稳定一定程度的退化[5],这将会是将会临床中的真实数据会比预先趋于稳定的经过清洗的“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,而预测成功与否全部都是唯一应加以评估的因素。要选取计算机生成的预警信号与否在临床中减少了急性肾损伤的趋于稳定率,并全部都是办法 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某些的人群身上进行有效性测试。作者的研究只包含了必须7%的女人女人男人病例,没人模型对于不同性别的病人与否具有相同的预测精度,也值得在未来进行深入研究。

  虽然并全部都是研究包含了不同种类的数据,但还有某些数据源也值得纳入进来,类似于病历上的手写内容,来自可穿戴传感器的连续生命监测信号,如心率等,那先 全部都是将会提供有价值的相关信息。

  对于非重症病人来说,常规监测办法 是每天测量一次生命体征,但病人时不完会无缘无故出現病情急转直下的情况报告。Tomašev 和同事的研究对于另有兩个 的病人来说十分有用,还都要在病人趋于稳定严重的器官衰竭事先 发出预警,为病人赢得宝贵的救治时机。先前,就是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1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,它的广泛应用你说歌词 都要医疗界改变思维办法 。就是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。