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:5分快乐8官网_五分快乐8彩票
  器官损伤老会 不易察觉,往往会但会 错过最佳治疗时机。基于人工智能的新法律土法子能持续监测病人的健康数据并及时预测即将处于的肾脏损伤。

  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算是诱发這個 十分普遍的病症。但目前医疗界却处于问题有效的手段来预测病人算是会处于以及何算是处于急性肾损伤。目前对于高危病人的临床补救手段是每天检测血液中的肌酸酐浓度,浓度处于问题就意味着肾功能出显了大问题。

  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法律土法子,并能有效预测病人即将处于的肾功能损伤。相较于传统法律土法子,這個 新法律土法子能并能提前一到半年 检测出大每种病人的肾脏损伤的处于风险。肯能肾脏损伤往往在最后阶段才被察觉,此时肾脏肯能处于不可逆的损害,严重时肯能留下前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法律土法子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法律土法子,能并能有效识别出数据中隐含的与特定结果相关的模式。在這個 研究中,研究人员利用角度学习的法律土法子来检测急性肾损伤。训练角度学习算法前要血块的数据,研究人员从美国退伍军人事务部(US Department of Veterans Affairs,为美国退伍军个人 其家属提供服务)负责运营的172家医院和1062家门诊中,分派了超过70万例成年病例的数据(2011年-2015年)。那先 经过匿名补救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派出了约1000亿个数据点和1000多万个记录特征,当另一个人选则了一种生活被称为循环神经网络的角度学习法律土法子来补救时序数据并对计算机进行训练,這個 法律土法子在角度学习领域被证明非常适合补救时序数据。

  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处于急性肾损伤的肯能性。肯能预测的概率值超过一定阈值,這個 预测结果将被标记为阳性(如图一所示)。病人后续算是被检查出病情则会验证算法的预测精度。该模型同時 还提供了预测概率值的不选则性,为医生提供了评估预测信号的时延指标。

图一:预测肾功能障碍的结果。图a表示Tomašev 团队提出的法律土法子能并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法律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。研究人员利用這個 算法来分析过往的医疗数据,包括电子健康档案与生验结果等等。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,对应病人处于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团队的研究法律土法子将提供比传统法律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 和同事们提出的新法律土法子比有些基于统计或机器学习的法律土法子更为精确地预测了即将要处于的肾损伤[3,4],但会 对于医院内病人的预测精度最高——医院内病人处于急性肾损伤的比门诊诊所更为频繁,同時 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,這個 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1000天和后续90天内前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同時 间周期内具有类事于的预测精度。

  此外,研究人员使用了消融性分析法律土法子来鉴别与肾损伤处于风险相关的因素,结果发现有好多好多 ,这你说解释了为什么在么在么过去让研究人员分析這個 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法律土法子的重大应用潜力。肯能利用传统法律土法子检测,医生将在第半年 并能获悉肾损伤的处于,而新法律土法子则能并能提前半年 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,包括增加病人的氢气摄取,肯能补救使用肯能造成肾毒性的药物。

  然而這個 系统也处于一定大问题:生成一系列假阳性的预测结果,即误报有些那么 处于的肾损伤。每个精确的预测会对应有1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法律土法子将在前瞻性研究中处于一定程度的退化[5],这肯能是肯能临床中的真实数据会比预先处于的经过清洗的“干净”数据要繁杂得多。

  前瞻性研究是检测预测系统的真实临床价值的根本所在,而预测成功不算是唯一应加以评估的因素。要选则计算机生成的预警信号算是在临床中减少了急性肾损伤的处于率,一种生活法律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有些的人群身上进行有效性测试。作者的研究只含晒 了只有7%的女孩子病例,那么 模型对于不同性别的病人算是具有相同的预测精度,也值得在未来进行深入研究。

  觉得這個 研究含晒 了不同种类的数据,但还有有些数据源也值得纳入进来,类事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 算是肯能提供有价值的相关信息。

  对于非重症病人来说,常规监测法律土法子是每天测量一次生命体征,但病人老会 会老会 出显病情急转直下的情况报告。Tomašev 和同事的研究对于好多好多 的病人来说十分有用,能并能在病人处于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,好多好多 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报告的有力预警手段,它的广泛应用你说前要医疗界改变思维法律土法子。但会 从非老会 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。