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:大发5分快乐8app下载-大发5分快乐8app下载安装-大发5分快乐8网站
  器官损伤一直不易察觉,往往会若果错过最佳治疗时机。基于人工智能的新土措施能持续监测病人的健康数据并及时预测即将指在的肾脏损伤。

  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还会 诱发五种十分普遍的病症。但目前医疗界却欠缺有效的手段来预测病人不是会指在以及何还会 指在急性肾损伤。目前对于高危病人的临床正确处理手段是每天检测血液中的肌酸酐浓度,浓度欠缺就意味肾功能总出 了问题。

  近日,来自DeepMind等多个机构的研究人员[2]提出了五种基于人工智能的新土措施,还会 有效预测病人即将指在的肾功能损伤。相较于传统土措施,五种新土措施可还会 能提前一到五六天检测出大每项病人的肾脏损伤的指在风险。可能肾脏损伤往往在最后阶段才被察觉,此时肾脏可能指在不可逆的损害,严重时可能留下还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措施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土措施,可还会 能有效识别出数据中隐含的与特定结果相关的模式。在五种研究中,研究人员利用角度学习的土措施来检测急性肾损伤。训练角度学习算法还要极少量的数据,研究人员从美国退伍军人事务部(US Department of Veterans Affairs,为美国退伍军所有人 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)。哪此经过匿名正确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和同事们从数据中采集出了约500亿个数据点和500多万个记录形状,亲戚亲戚亲戚朋友确定了五种被称为循环神经网络的角度学习土措施来正确处理时序数据并对计算机进行训练,五种土措施在角度学习领域被证明非常适合正确处理时序数据。

  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指在急性肾损伤的可能。可能预测的概率值超过一定阈值,五种预测结果将被标记为阳性(如图一所示)。病人后续不是被检查出病情则会验证算法的预测精度。该模型一并还提供了预测概率值的不确定性,为医生提供了评估预测信号的波特率指标。

图一:预测肾功能障碍的结果。图a表示Tomašev 团队提出的土措施可还会 能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土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。研究人员利用五种算法来分析过往的医疗数据,包括电子健康档案和珍验结果等等。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,对应病人指在急性肾功能损伤的可能。可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团队的研究土措施将提供比传统土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 和同事们提出的新土措施比這個基于统计或机器学习的土措施更为精确地预测了即将要指在的肾损伤[3,4],若果对于医院内病人的预测精度最高——医院内病人指在急性肾损伤的比门诊诊所更为频繁,一并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,五种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天内还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并间周期内具有累似 的预测精度。

  此外,研究人员使用了消融性分析土措施来鉴别与肾损伤指在风险相关的因素,结果发现有這個這個,这我知道你解释了怎么会过去让研究人员分析五种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措施的重大应用潜力。可能利用传统土措施检测,医生将在第五六天还会 获悉肾损伤的指在,而新土措施则可还会 能提前五六天预测出来,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,包括增加病人的固体 摄取,可能正确处理使用可能造成肾毒性的药物。

  然而五种系统也指在一定问题:生成一系列假阳性的预测结果,即误报這個不到 指在的肾损伤。每个精确的预测会对应四个假阳性结果。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土措施将在前瞻性研究中指在一定程度的退化[5],这可能是可能临床中的真实数据会比预先指在的经过清洗的“干净”数据要僵化 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,而预测成功不是还会 唯一应加以评估的因素。要确定计算机生成的预警信号不是在临床中减少了急性肾损伤的指在率,五种土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這個的人群身上进行有效性测试。作者的研究只含有了不到7%的男人病例,不到 模型对于不同性别的病人不是具有相同的预测精度,也值得在未来进行深入研究。

  难能可贵五种研究含有了不同种类的数据,但还有這個数据源也值得纳入进来,累似 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,哪此还会 可能提供有价值的相关信息。

  对于非重症病人来说,常规监测土措施是每天测量一次生命体征,但病人一直会一直总出 病情急转直下的情况表。Tomašev 和同事的研究对于事先的病人来说十分有用,可还会 能在病人指在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,這個這個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情况表的有力预警手段,它的广泛应用我知道你还要医疗界改变思维土措施。若果从非一直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。