許多燒傷患者患有急性腎損傷，但急性腎損傷的早期識別仍然具有挑戰(zhàn)性?，F(xiàn)在，加州大學(xué)戴維斯分校衛(wèi)生局開發(fā)的人工智能/機器學(xué)習(xí)(AI/ML)模型已經(jīng)在一項新的研究中得到報道，它可以比以前更快、更準確地預(yù)測急性腎損傷。
加州大學(xué)戴維斯醫(yī)學(xué)中心消防員燒傷研究所教授、區(qū)域燒傷中心主任蒂娜帕爾米里說：“利用人工智能預(yù)測燒傷患者AKI的能力是燒傷中心的一個潛在突破?！叭绻芨嬖V患者可能有腎損傷，我們就可以采取措施預(yù)防?！?
什么是急性腎損傷？
急性腎損傷(AKI)是突然發(fā)生的腎功能衰竭或損傷，導(dǎo)致血液中廢物堆積，體內(nèi)液體失衡。AKI通常發(fā)生在嚴重?zé)齻牡谝恢埽驗閺?fù)蘇不充分，尤其是在關(guān)鍵的前24小時。在約30%的病例中，AKI是嚴重?zé)齻蟪Ｒ姷牟l(fā)癥，死亡率高達80%。
急性腎損傷的診斷
醫(yī)生通常依靠傳統(tǒng)的生物標志物，如血清/血漿肌酐和尿量。然而，尿量和肌酐測量被認為是AKI的不良生物標志物。
病理與檢驗醫(yī)學(xué)系臨床副教授Nam Tran說：“加州大學(xué)戴維斯分校率先確定了一種新的生物標志物(稱為中性粒細胞明膠酶相關(guān)脂質(zhì)載體蛋白(NGAL))在嚴重?zé)齻颊逜KI早期預(yù)測中的作用。加州大學(xué)戴維斯分校。
盡管具有很強的預(yù)測能力，但NGAL尚未引入美國，其解釋需要更有經(jīng)驗的臨床醫(yī)生和實驗室專家。這一挑戰(zhàn)促進了人工智能機器學(xué)習(xí)模型的發(fā)展，使得解釋NGAL測試結(jié)果變得更加容易。
機器學(xué)習(xí)增強了對急性腎損傷的識別。
有時，AI/ML世界中的假設(shè)是，在構(gòu)建ML模型時，更復(fù)雜的算法(如深度神經(jīng)網(wǎng)絡(luò))優(yōu)于更傳統(tǒng)的算法。這種假設(shè)并不總是如此。
“我們通過我們的k近鄰方法建立了一個強大的ML模型，可以在更短的時間內(nèi)準確預(yù)測患者群體中的AKI，”加州大學(xué)戴維斯分校衛(wèi)生系病理學(xué)和實驗室醫(yī)學(xué)教授Hooman拉什迪說。"根據(jù)入院數(shù)據(jù)，該模型可將診斷時間縮短兩天."
對50例成年NGAL燒傷患者，在入院后24小時內(nèi)測量尿量、肌酐和NT-proBNP，用臨床實驗室數(shù)據(jù)對模型進行訓(xùn)練和檢驗。數(shù)據(jù)集中一半的患者在入院后第一周內(nèi)出現(xiàn)了AKI。包含NGAL、肌酐、尿量和NT-proBNP的模型在鑒別AKI方面達到90-100%的準確性。僅含NT-proBNP和肌酐的模型準確率為80-90%。
從入院到傳統(tǒng)生物標志物診斷的平均時間為42.7小時。使用ML算法的平均時間只有18.8小時。ML打敗傳統(tǒng)方法將近一整天——這是預(yù)防和治療AKI的關(guān)鍵時刻。
“對于我們的研究，AI/ML顯示了使用一些常規(guī)實驗室結(jié)果預(yù)測燒傷相關(guān)AKI的潛在臨床效用，”Tran補充道。
新模式的應(yīng)用和意義
該模型在這一領(lǐng)域有應(yīng)用，包括傷亡。由于部隊可能被派往缺乏腎損傷管理設(shè)施的醫(yī)院，人工智能/最大似然方法可以更快地識別急性腎損傷患者，從而可以更快地轉(zhuǎn)移到先進的醫(yī)療設(shè)施。這優(yōu)化了戰(zhàn)場上有限的資源，加快了將患者運送到需要去的地方。同樣的過程也適用于民間世界。
拉什迪補充說：“我們設(shè)想，這種機器學(xué)習(xí)平臺可以融入AKI以外的各種環(huán)境，最終可以增強臨床醫(yī)學(xué)領(lǐng)域患者護理的各個方面。
標簽：
免責(zé)聲明：本文由用戶上傳，如有侵權(quán)請聯(lián)系刪除！