急性腎損傷（AKI）是指腎臟突然不能過濾血液中的廢物，這種疾病會直接破壞重癥病人的腎臟系統(tǒng)。如果超過第二階段（AKI分為三個階段），死亡率會接近89％。如果它在腹部大手術(shù)后出現(xiàn)，則會使死亡的風險增加12倍。

幸運的是，研究人員在開發(fā)有助于早期發(fā)現(xiàn)的技術(shù)方面取得了進展。西北大學和德克薩斯大學健康科學中心的研究人員在發(fā)表的一篇論文（《使用臨床記錄對重癥監(jiān)護環(huán)境中急性腎損傷的早期預測》）中，描述了一種人工智能系統(tǒng)，該系統(tǒng)可以從電子健康記錄（EHRs）中收集和提取危險因素，并預測重癥監(jiān)護后的頭24小時內(nèi)AKI的可能性。

“我們開發(fā)了數(shù)據(jù)驅(qū)動的預測模型來估計新AKI發(fā)作的風險，”研究人員寫道?！皬膶嵱玫慕嵌葋砜矗覀兊念A測模型可以用來提醒臨床醫(yī)生，重癥患者在ICU入院后會很快處在急性腎損傷的高風險中?！?/p>

為了訓練這一人工智能系統(tǒng)，該團隊從Medical Information Mart獲取了三級重癥監(jiān)護室記錄，這是一個免費提供的危重病數(shù)據(jù)庫，包含了Beth Israel Deaconess Medical Center ICU 4萬多名患者的匿名健康信息。他們開發(fā)了一個腳本，記錄了年齡、性別、種族和民族，以及ICU入院第一天的臨床記錄，和入院后72小時的血清肌酐水平（一種常見的尿液毒性指標）。上述操作使得系統(tǒng)排除了那些沒有醫(yī)生記錄和腎功能不全跡象的患者。

他們總共從141470名患者的16560次ICU住院中，收集了77160份臨床記錄，并將其分為兩組：一個用于訓練、另一個用于測試，然后他們開始建立機器學習模型。

研究人員需要對數(shù)據(jù)進行一些預處理以獲得結(jié)構(gòu)化特征，其中一些處理方式包括：利用國家醫(yī)學圖書館免費提供的元地圖工具集；從免費文本臨床記錄中識別醫(yī)學概念等等。通過這些預處理提取的特征以概念唯一標識符（CUIs）的形式出現(xiàn)，這個同單詞和術(shù)語相關(guān)聯(lián)的概念來自統(tǒng)一醫(yī)學語言系統(tǒng)（UMLS），即生物醫(yī)學術(shù)語和分類的綜合綱要。

研究人員還從scikit－learn（基于Python編程語言的開源機器學習庫）中獲取了五種算法，來分類ICU停留時間并估計AKI風險。在測試中，研究人員的監(jiān)督學習分類器在受試者操作特性（AUC）下達到了0．779，這意味著它能夠識別50％以上的AKI風險患者，并且與以前的方法相比具有精確的“競爭性”。

盡管如此，這一切卻并不完美。它曾錯誤地標記了一名患者的AKI發(fā)病，該患者的圖表包含高度關(guān)聯(lián)的單詞，如“胸腔管”和“不穩(wěn)定”。而在另一個案例中，它則未能預測出后來罹患AKI的患者。

研究人員將繼續(xù)研究替代的表型系統(tǒng)、臨床記錄數(shù)據(jù)庫，并使用其他的患者數(shù)據(jù)集進行驗證。

關(guān)于將人工智能應(yīng)用于AKI檢測，另一個值得注意的是谷歌子公司DeepMind，該公司在2月份宣布了與美國退伍軍人事務(wù)部的合作伙伴關(guān)系，該合作伙伴關(guān)系賦予了它訪問70多萬份醫(yī)療記錄的權(quán)限。