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:2
  • 来源:排列3平台-1.5分彩网投平台_1.5分赛车投注平台
  器官损伤无缘无故不易察觉,往往会就让 错过最佳治疗时机。基于人工智能的新土最好的辦法 能持续监测病人的健康数据并及时预测即将处在的肾脏损伤。

  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算不算诱发你什儿 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算不算会处在以及何算不算处在急性肾损伤。目前对于高危病人的临床出理 手段是每天检测血液中的肌酸酐浓度,浓度不足就愿因肾功能出現了大现象。

  近日,来自DeepMind等多个机构的研究人员[2]提出了有并算不算基于人工智能的新土最好的辦法 ,还能算不算效预测病人即将处在的肾功能损伤。相较于传统土最好的辦法 ,你什儿 新土最好的辦法 还需用提前一到7天 检测出大要素病人的肾脏损伤的处在风险。后后肾脏损伤往往在最后阶段才被察觉,此时肾脏后后处在不可逆的损害,严重时后后留下需用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最好的辦法 将为有效的临床治疗赢得宝贵的时间。

  效率学习作为近年来发展最快的人工智能土最好的辦法 ,还需用有效识别出数据中隐含的与特定结果相关的模式。在你什儿 研究中,研究人员利用效率学习的土最好的辦法 来检测急性肾损伤。训练效率学习算法需用极少量的数据,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)。那些经过匿名出理 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和同事们从数据中分发出了约60 亿个数据点和60 多万个记录行态,亲戚我门歌词 我门歌词 我门歌词 选取了有并算不算被称为循环神经网络的效率学习土最好的辦法 来出理 时序数据并对计算机进行训练,你什儿 土最好的辦法 在效率学习领域被证明非常适合出理 时序数据。

  在训练完成后,研究人员利用后后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在急性肾损伤的后后性。后后预测的概率值超过一定阈值,你什儿 预测结果将被标记为阳性(如图一所示)。病人后续算不算被检查出病情则会验证算法的预测精度。该模型同时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 团队提出的土最好的辦法 还需用给出急性肾损伤的预警信号。研究人员利用人工智能中的效率学习土最好的辦法 来训练计算机从数据中检测与后续肾损伤相关的模式。研究人员利用你什儿 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,对应病人处在急性肾功能损伤的后后性。后后概率超过一定阈值,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团队的研究土最好的辦法 将提供比传统土最好的辦法 更早的预警信号,为医生和病人赢得了宝贵的治疗时间。

  Tomašev 和同事们提出的新土最好的辦法 比一些基于统计或机器学习的土最好的辦法 更为精确地预测了即将要处在的肾损伤[3,4],就让 对于医院内病人的预测精度最高——医院内病人处在急性肾损伤的比门诊诊所更为频繁,同时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,你什儿 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60 天和后续90天内需用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时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土最好的辦法 来鉴别与肾损伤处在风险相关的因素,结果发现有可是我,这也许解释了为甚过去让研究人员分析你什儿 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最好的辦法 的重大应用潜力。后后利用传统土最好的辦法 检测,医生将在第7天 还能否获悉肾损伤的处在,而新土最好的辦法 则还需用提前7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,包括增加病人的氯化氢气体氯化氯化氢气体体氯化氯化氢气体体摄取,后后出理 使用后后造成肾毒性的药物。

  然而你什儿 系统也处在一定大现象:生成一系列假阳性的预测结果,即误报一些那末处在的肾损伤。每个精确的预测会对应2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最好的辦法 将在前瞻性研究中处在一定程度的退化[5],这后后是后后临床中的真实数据会比预先处在的经过清洗的“干净”数据要复杂化得多。

  前瞻性研究是检测预测系统的真实临床价值的根本所在,而预测成功否算不算唯一应加以评估的因素。要选取计算机生成的预警信号算不算在临床中减少了急性肾损伤的处在率,有并算不算土最好的辦法 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一些的人群身上进行有效性测试。作者的研究只含晒 了那末7%的老婆病例,那末模型对于不同性别的病人算不算具有相同的预测精度,也值得在未来进行深入研究。

  我觉得你什儿 研究含晒 了不同种类的数据,但还有一些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,那些算不算后后提供有价值的相关信息。

  对于非重症病人来说,常规监测土最好的辦法 是每天测量一次生命体征,但病人时不后要无缘无故出現病情急转直下的清况 。Tomašev 和同事的研究对于原本的病人来说十分有用,还需用在病人处在严重的器官衰竭后后发出预警,为病人赢得宝贵的救治时机。先前,可是我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。

  效率学习有望为医生提供针对任何器官清况 的有力预警手段,它的广泛应用也许需用医疗界改变思维土最好的辦法 。就让 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。