急性肾损伤（AKI）是指肾脏突然无法过滤血液中的废物。这种疾病直接破坏了重病患者的肾脏系统。如果超过第二阶段（AKI分为三个阶段），死亡率将接近89％。如果在腹部大手术后出现，则死亡风险会增加12倍。幸运的是，研究人员在开发有助于早期发现的技术方面取得了进展。西北大学和德克萨斯大学健康科学中心的研究人员在发表的论文中描述了一种人工智能系统（“使用临床记录对重症监护环境中急性肾脏损伤的早期预测”），可以从电子健康中收集和提取风险因素。记录（EHR），以及重症监护后头24小时内发生AKI的可能性都可以预测。 “我们开发了一种数据驱动的预测模型来估算新AKI攻击的风险，”他说。研究人员写道。 “从实际的角度来看，我们的预测模型可用于提醒临床医生，重症患者入院后不久将面临急性肾损伤的高风险。”为了训练这个人工智能系统，研究小组从医学信息市场学到了重症监护病房的记录，这是一个免费的重症疾病数据库，其中包含贝斯以色列女执事医疗中心ICU的40,000多名患者的匿名健康信息。他们开发了一个脚本，记录了ICU入院第一天的年龄，性别，种族和种族以及临床记录，以及入院72小时后的血清肌酐水平（尿液毒性的常见指标）。通过上述操作，系统可以排除没有医生记录和肾功能不全迹象的患者。他们总共从16560例ICU住院患者中的141470名患者中收集了77160条临床记录，并将其分为两组：一组进行培训，另一组进行测试，然后他们开始构建机器学习模型。研究人员需要对数据进行一些预处理才能获得结构化的特征。一些处理方法包括：免费使用国家医学图书馆提供的元图工具集；从自由文本临床记录中识别医学概念，等等。通过这些预处理提取的功能以概念唯一标识符（CUI）的形式出现。与单词和术语相关的概念来自统一医学语言系统（UMLS），它是生物医学术语和分类的全面概述。研究人员还从scikit-learn（基于Python编程语言的开源机器学习库）中获得了五种算法，以对ICU停留时间进行分类并估算AKI风险。在测试中，研究人员的监督学习分类器在主题操作特征（AUC）下达到0.779，这意味着它可以识别出50％以上有AKI风险的患者，并且比以前的方法更准确。 “竞争力”。然而，所有这些都不是完美的。它错误地标记了患者的AKI发作，该患者的图表包含高度相关的词，例如“胸管”。和“不稳定”。在另一种情况下，它无法预测后来发展为AKI的患者。研究人员将继续研究替代的表型系统，临床记录数据库，并使用其他患者数据集进行验证。关于人工智能在AKI检测中的应用，另一个值得关注的公司是Google的子公司DeepMind，该公司于2月份宣布与美国退伍军人事务部建立合作伙伴关系，该合作伙伴可以访问超过700,000份副本。病历许可。