摘要
新的人工智能/机器学习(AI/ML)模型可以比以往更快、更准确地预测急性肾损伤(AKI)。在早期识别烧伤患者的急性肾损伤(AKI)仍然具有挑战性…
新的人工智能/机器学习(AI/ML)模型可以比以往更快、更准确地预测急性肾损伤(AKI)。在早期阶段识别烧伤患者的急性肾损伤(AKI)仍然具有挑战性。
加州大学戴维斯医学中心消防烧伤研究所区域烧伤中心的教授兼主任Tina Palmieri说:“利用人工智能预测烧伤患者的AKI是烧伤中心的一个潜在突破。”“如果我们能判断出病人可能有肾脏损伤，我们就能制定预防措施。”
急性肾损伤是什么?
急性肾损伤(AKI)是突然肾功能衰竭或损害，导致血液中的废物堆积和体液失衡的身体。AKI通常发生在严重烧伤的第一周内，由于复苏不足，特别是在关键的头24小时。在30%左右的病例中，AKI是严重烧伤后的常见并发症，死亡率高达80%。
诊断急性肾损伤
医生通常依靠传统的生物标志物，如血清/血浆肌酐和尿量来诊断。然而，尿量和肌酐指标被认为是AKI的不良生物标志物。
加州大学戴维斯分校病理学和实验室医学系的临床副教授Nam Tran说:“加州大学戴维斯分校是第一个发现一种名为中性粒细胞明胶酶相关脂calin (NGAL)的新型生物标志物在早期预测重度烧伤患者AKI中所起的作用的。”
尽管NGAL具有很强的预测能力，但在美国却无法获得，它的解释需要更有经验的临床医生和实验室专家。这一挑战促使人工智能机器学习模型的开发，使NGAL测试的结果更容易解释。
机器学习增强急性肾损伤的识别能力
在人工智能/ML的世界中，有时会有这样的假设，即在构建ML模型时，深度神经网络等更为复杂的算法要优于传统算法。这种假设并不总是正确的。
加州大学戴维斯分校(UC Davis Health)病理学和实验室医学系教授胡曼•拉希迪(Hooman Rashidi)表示:“我们通过k近邻方法建立了一个功能强大的ML模型，能够在更短的时间内准确预测患者的AKI。”“基于入院数据，该模型可以将诊断时间缩短多达两天。”
对50例成人烧伤患者在入院后24小时内测量了NGAL、尿量、肌酐和NT-proBNP的临床实验室数据，对模型进行了培训和测试。数据集中有一半的患者在入院后的第一周内出现AKI。NGAL、肌酐、尿量、NT-proBNP模型对AKI的识别准确率达到90-100%。仅含NT-proBNP和肌酐的模型准确率达到80-90%。
传统生物标志物从入院到诊断的平均时间为42.7小时。使用ML算法的平均时间只有18.8小时。在预防和治疗AKI方面，ML模型比传统方法节省了近一整天的关键时间。
Tran补充说:“在我们的研究中，人工智能/毫升已经显示出仅使用少量常规实验室结果预测与烧伤有关的AKI的潜在临床应用价值。”
新模型的应用和含义
该模型可应用于战场，包括军事伤亡。由于部队可能被派往缺乏处理肾脏损伤设施的医院，AI/ML方法可以更快地识别AKI患者，从而更快地将他们转移到先进的医疗设施。这优化了战场上有限的资源，并加快了将病人运送到他们需要去的地方。同样的过程也适用于平民世界。
拉希迪补充说:“我们设想这样的机器学习平台将被纳入AKI之外的各种环境中，最终能够加强临床医学领域内患者护理的各个方面。”
来源：Medindia
此文系悬壶济世网原创整理，没有授权，请勿转载！
