急性肾损伤（AKI）是指肾脏突然不能过滤血液中的废物，这种疾病会直接破坏重症病人的肾脏系统。如果超过第二阶段（AKI分为三个阶段），死亡率会接近89％。如果它在腹部大手术后出现，则会使死亡的风险增加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一篇论文（《使用临床记录对重症监护环境中急性肾损伤的早期预测》）中，描述了一种人工智能系统，该系统可以从电子健康记录（EHRs）中收集和提取危险因素，并预测重症监护后的头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AKI发作的风险，”研究人员写道。“从实用的角度来看，我们的预测模型可以用来提醒临床医生，重症患者在ICU入院后会很快处在急性肾损伤的高风险中。”
为了训练这一人工智能系统，该团队从Medical Information Mart获取了三级重症监护室记录，这是一个免费提供的危重病数据库，包含了Beth Israel Deaconess Medical Center ICU 4万多名患者的匿名健康信息。他们开发了一个脚本，记录了年龄、性别、种族和民族，以及ICU入院第一天的临床记录，和入院后72小时的血清肌酐水平（一种常见的尿液毒性指标）。上述操作使得系统排除了那些没有医生记录和肾功能不全迹象的患者。
他们总共从141470名患者的16560次ICU住院中，收集了77160份临床记录，并将其分为两组：一个用于训练、另一个用于测试，然后他们开始建立机器学习模型。
研究人员需要对数据进行一些预处理以获得结构化特征，其中一些处理方式包括：利用国家医学图书馆免费提供的元地图工具集；从免费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特征以概念唯一标识符（CUIs）的形式出现，这个同单词和术语相关联的概念来自统一医学语言系统（UMLS），即生物医学术语和分类的综合纲要。
研究人员还从scikit－learn（基于Python编程语言的开源机器学习库）中获取了五种算法，来分类ICU停留时间并估计AKI风险。在测试中，研究人员的监督学习分类器在受试者操作特性（AUC）下达到了0．779，这意味着它能够识别50％以上的AKI风险患者，并且与以前的方法相比具有精确的“竞争性”。
尽管如此，这一切却并不完美。它曾错误地标记了一名患者的AKI发病，该患者的图表包含高度关联的单词，如“胸腔管”和“不稳定”。而在另一个案例中，它则未能预测出后来罹患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，并使用其他的患者数据集进行验证。
关于将人工智能应用于AKI检测，另一个值得注意的是谷歌子公司DeepMind，该公司在2月份宣布了与美国退伍军人事务部的合作伙伴关系，该合作伙伴关系赋予了它访问70多万份医疗记录的权限。
（免责声明：本网站内容主要来自原创、合作伙伴供稿和第三方自媒体作者投稿，凡在本网站出现的信息，均仅供参考。本网站将尽力确保所提供信息的准确性及可靠性，但不保证有关资料的准确性及可靠性，读者在使用前请进一步核实，并对任何自主决定的行为负责。本网站对有关资料所引致的错误、不确或遗漏，概不负任何法律责任。
任何单位或个人认为本网站中的网页或链接内容可能涉嫌侵犯其知识产权或存在不实内容时，应及时向本网站提出书面权利通知或不实情况说明，并提供身份证明、权属证明及详细侵权或不实情况证明。本网站在收到上述法律文件后，将会依法尽快联系相关文章源头核实，沟通删除相关内容或断开相关链接。 ）
