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:80
  • 来源:大发欢乐生肖-大发欢乐生肖app下载-大发欢乐生肖app下载安装
  器官损伤有有时不时不易察觉,往往会太大太大错过最佳治疗时机。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居于的肾脏损伤。

  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回会诱发你这个十分普遍的病症。但目前医疗界却不够有效的手段来预测病人是不是会居于以及何回会居于急性肾损伤。目前对于高危病人的临床外理手段是每天检测血液中的肌酸酐浓度,浓度不够就原因着肾功能出显了现象。

  近日,来自DeepMind等多个机构的研究人员[2]提出了并不是基于人工智能的新办法,不不都能不能 有效预测病人即将居于的肾功能损伤。相较于传统办法,你这个新办法不都能不能 提前一到半年检测出大每种病人的肾脏损伤的居于风险。可能性肾脏损伤往往在最后阶段才被察觉,此时肾脏可能性居于不可逆的损害,严重时可能性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。

  高度学习作为近年来发展最快的人工智能办法,就说 我不是效识别出数据中隐含的与特定结果相关的模式。在你这个研究中,研究人员利用高度学习的办法来检测急性肾损伤。训练高度学习算法都要几滴 的数据,研究人员从美国退伍军人事务部(US Department of Veterans Affairs,为美国退伍军人个其家属提供服务)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)。哪几种经过匿名外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和同事们从数据中挂接出了约500亿个数据点和500多万个记录形态,大伙儿儿选者了并不是被称为循环神经网络的高度学习办法来外理时序数据并对计算机进行训练,你这个办法在高度学习领域被证明非常适合外理时序数据。

  在训练完成后,研究人员利用并且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居于急性肾损伤的可能性性。可能性预测的概率值超过一定阈值,你这个预测结果将被标记为阳性(如图一所示)。病人后续是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选者性,为医生提供了评估预测信号的效率指标。

图一:预测肾功能障碍的结果。图a表示Tomašev 团队提出的办法不都能不能 给出急性肾损伤的预警信号。研究人员利用人工智能中的高度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。研究人员利用你这个算法来分析过往的医疗数据,包括电子健康档案生和熟验结果等等。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,对应病人居于急性肾功能损伤的可能性性。可能性概率超过一定阈值,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太大太大基于统计或机器学习的办法更为精确地预测了即将要居于的肾损伤[3,4],太大太大对于医院内病人的预测精度最高——医院内病人居于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,你这个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并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居于风险相关的因素,结果发现有太大太大太大太大,这是我不好解释了为啥过去让研究人员分析你这个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。可能性利用传统办法检测,医生将在第半年不都能不能 获悉肾损伤的居于,而新办法则不都能不能 提前半年预测出来,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,包括增加病人的甲烷气体摄取,可能性外理使用可能性造成肾毒性的药物。

  然而你这个系统也居于一定现象:生成一系列假阳性的预测结果,即误报太大太大没有居于的肾损伤。每个精确的预测会对应另有有一个假阳性结果。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居于一定程度的退化[5],这可能性是可能性临床中的真实数据会比预先居于的经过清洗的“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,而预测成功是不是不是唯一应加以评估的因素。要选者计算机生成的预警信号是不是在临床中减少了急性肾损伤的居于率,并不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太大太大的人群身上进行有效性测试。作者的研究只中有 了没有7%的女人女人男人病例,没有模型对于不同性别的病人是不是具有相同的预测精度,也值得在未来进行深入研究。

  我觉得你这个研究中有 了不同种类的数据,但还有太大太大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,哪几种不是可能性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,但病人有有时不时会有有时不时出显病情急转直下的情况表。Tomašev 和同事的研究对于曾经的病人来说十分有用,不都能不能 在病人居于严重的器官衰竭并且发出预警,为病人赢得宝贵的救治时机。先前,太大太大太大太大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。

  高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,它的广泛应用是我不好都要医疗界改变思维办法。太大太大从非有有时不时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。