图片来源：Pixabay
急性肾损伤(AKI)，简单来说就是肾脏突然无法过滤血液中的废物，可以摧毁重症患者的肾脏系统。如果发展超过第2阶段(AKI分为三个阶段)，死亡率可接近89%。如果在腹部大手术后出现AKI，死亡风险会增加12倍。
幸运的是，已经开发出了有助于早期检测的技术。美国西北大学和德克萨斯大学健康科学中心的研究人员发表的一篇论文(《利用临床记录对重症监护急性肾损伤进行早期预测》)中，描述了一种人工智能(AI)系统可以从电子健康记录(EHR)中收集和提取风险因素的，并预测重症监护病房(ICU)后24小时内AKI的可能性。
“我们开发了数据驱动的预测模型，来估计新发生AKI的风险。”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ICU入院后，不久发生AKI的高风险重症患者的临床医生。”
为了训练人工智能系统，该团队从医疗信息中心获取重症监护III(MIMIC-III)的记录，这是一个免费提供的重症监护数据库，其中包含40,名住在BethIsraelDeaconess医疗中心ICU匿名患者的健康信息。他们开发了一个脚本，在入住ICU的第一天和72小时内血清肌酐水平(尿液中*性的常用量度)中记录了年龄、性别、种族和民族以及临床记录，并且排除了没有医生记录和肾功能障碍迹象的患者。
总共，他们从14,名患者的16,例ICU住院中编制了77,份临床记录，分为两组：一组用于训练，另一组用于测试。然后，他们着手建立一个机器学习模型。
需要对数据进行一些预处理以获得结构化特征，其中一些涉及利用国家医学图书馆免费提供的MetaMap工具集来从自由文本临床记录中识别医学概念。提取的特征以概念唯一标识符(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)，这是一个生物医学术语和分类的综合纲要。
使用五种算法对ICU住院时间进行分类，并从scikit-learn(一种用于Python编程语言的开源机器学习库)中估计AKI风险。在测试中，研究人员的监督学习分类器在接收器操作特征(AUC)下达到0.区域，这意味着它能够识别具有超过50%的时间发展成AKI风险的患者，并且与之前的方法具有精确的“竞争性”。
尽管如此，它并不完美。它错误地标记了患者的AKI发病，由于患者的图表包含高度相关的词，如“胸管”和“不稳定”。在另一个案例中，它未能预测患者后来发展成AKI。(在后一种情况下，他们注意到数据集中的病人数量不足，条件相似。)
研究人员将继续研究替代表型系统，临床注释数据库以及其他患者数据集的验证的未来工作进行调查。
将AI应用于AKI检测的另一方是谷歌子公司DeepMind，该公司于2月宣布与美国退伍*人事务部合作，该部门获得了超过,份医疗记录。