江苏快3-江苏快3平台_江苏快3网投平台 - 由江苏快3,江苏快3平台,江苏快3网投平台社主办的《江苏快3,江苏快3平台,江苏快3网投平台》是中国证监会指定的上市公司信息披露网站,平台提供上市公司公告、公司资讯、公司互动、股东大会网络投票等内容功能,一站式服务资本市场投资者。

时间的博弈:人工智能可提前2天预测急性肾损伤

  • 时间:
  • 浏览:0
  器官损伤总爱 不易察觉,往往会而且错过最佳治疗时机。基于人工智能的新辦法 能持续监测病人的健康数据并及时预测即将处在的肾脏损伤。

  在美国的医院中,急性肾功能损伤的发病率高达20%[1],包括异常血压和血容量等多种因素总要诱发這個十分普遍的病症。但目前医疗界却不足英文有效的手段来预测病人有无会处在以及何总要处在急性肾损伤。目前对于高危病人的临床除理手段是每天检测血液中的肌酸酐浓度,浓度不足英文就意味肾功能再次出現了疑问。

  近日,来自DeepMind等多个机构的研究人员[2]提出了一种生活基于人工智能的新辦法 ,才能有效预测病人即将处在的肾功能损伤。相较于传统辦法 ,這個新辦法 能才能提前一到4天 检测出大次责病人的肾脏损伤的处在风险。可能肾脏损伤往往在最后阶段才被察觉,此时肾脏可能处在不可逆的损害,严重时可能留下前要暂时或长期透析的后遗症,甚至引起病人的死亡。对于肾脏损伤的早期检测辦法 将为有效的临床治疗赢得宝贵的时间。

  深度学习作为近年来发展最快的人工智能辦法 ,能才能有效识别出数据中隐含的与特定结果相关的模式。在這個研究中,研究人员利用深度学习的辦法 来检测急性肾损伤。训练深度学习算法前要血块的数据,研究人员从美国退伍军人事务部(US Department of Veterans Affairs,为美国退伍军各自 其家属提供服务)负责运营的172家医院和1062家门诊中,派发了超过70万例成年病例的数据(2011年-2015年)。哪此经过匿名除理的数据为研究人员提供了人口统计信息、电子健康档案、化验结果、药物处方和过往治疗记录等数据。论文的第一作者Tomašev和同事们从数据中派发出了约50亿个数据点和50多万个记录结构,大家选用了一种生活被称为循环神经网络的深度学习辦法 来除理时序数据并对计算机进行训练,這個辦法 在深度学习领域被证明非常适合除理时序数据。

  在训练完成后,研究人员利用时候分离出的独立数据集对算法的有效性进行了测试。基于测试数据,计算机将生成接下来48小时内连续的概率值来追踪每个病人随时间推移处在急性肾损伤的可能。可能预测的概率值超过一定阈值,這個预测结果将被标记为阳性(如图一所示)。病人后续有无被检查出病情则会验证算法的预测精度。该模型同时还提供了预测概率值的不选用性,为医生提供了评估预测信号的波特率指标。

图一:预测肾功能障碍的结果。图a表示Tomašev 团队提出的辦法 能才能给出急性肾损伤的预警信号。研究人员利用人工智能中的深度学习辦法 来训练计算机从数据中检测与后续肾损伤相关的模式。研究人员利用這個算法来分析过往的医疗数据,包括电子健康档案和心验结果等等。计算机分析某个病人的历史数据后,将生成接下来48小时内的连续概率值,对应病人处在急性肾功能损伤的可能。可能概率超过一定阈值,预测结果将被标记为阳性,并向医生发出警报(红点)。图b则表示检测病人肾功能的常规手段:每日监测血液中的肌酸酐。在此假设场景下,Tomašev团队的研究辦法 将提供比传统辦法 更早的预警信号,为医生和病人赢得了宝贵的治疗时间。

  Tomašev 和同事们提出的新辦法 比這個基于统计或机器学习的辦法 更为精确地预测了即将要处在的肾损伤[3,4],而且对于医院内病人的预测精度最高——医院内病人处在急性肾损伤的比门诊诊所更为频繁,同时时间窗口也更为短暂。对于所有病人和所有类别的肾损伤,包括较为轻微的损伤,這個系统的平均预测精度达到了56%;而针对更为严重的肾损伤预测,对于后续50天和后续90天内前要透析的病人预测精度则分别达到了84%和90%。该模型在不同的医疗场所和不同时间周期内具有之类的预测精度。

  此外,研究人员使用了消融性分析辦法 来鉴别与肾损伤处在风险相关的因素,结果发现有越来越来越多越来越来越多 ,这你说歌词 解释了怎么过去让研究人员分析這個风险是一件棘手的事。

  图一中的假设病例显示了研究人员所开发的新辦法 的重大应用潜力。可能利用传统辦法 检测,医生将在第4天 才能获悉肾损伤的处在,而新辦法 则能才能提前4天 预测出来,为医务人员提供了更多宝贵的时间和更多干预治疗的手段,包括增加病人的乙炔气 摄取,可能除理使用可能造成肾毒性的药物。

  然而這個系统也处在一定疑问:生成一系列假阳性的预测结果,即误报這個找不到 处在的肾损伤。每个精确的预测会对应好几个 假阳性结果。假阳性绝大多数来源于患有慢性肾病的病人,疾病的症状会与急性肾损伤叠加,造成结果难以预测。

  本研究的另一局限在于这是一项回顾性研究,利用回顾性研究构建的人工智能辦法 将在前瞻性研究中处在一定程度的退化[5],这可能是可能临床中的真实数据会比预先处在的经过清洗的“干净”数据要错综复杂得多。

  前瞻性研究是检测预测系统的真实临床价值的根本所在,而预测成功有无也有唯一应加以评估的因素。要选用计算机生成的预警信号有无在临床中减少了急性肾损伤的处在率,一种生活辦法 是开展随机设计的临床试验,只将其中一半的预测传递给医生。此外,作者的模型也应该在這個的人群身上进行有效性测试。作者的研究只包含了非要7%的男人病例,找不到 模型对于不同性别的病人有无具有相同的预测精度,也值得在未来进行深入研究。

  我我觉得這個研究包含了不同种类的数据,但还有這個数据源也值得纳入进来,之类病历上的手写内容,来自可穿戴传感器的连续生命监测信号,如心率等,哪此也有可能提供有价值的相关信息。

  对于非重症病人来说,常规监测辦法 是每天测量一次生命体征,但病人总爱 会总爱 再次出現病情急转直下的状态。Tomašev 和同事的研究对于曾经的病人来说十分有用,能才能在病人处在严重的器官衰竭时候发出预警,为病人赢得宝贵的救治时机。先前,越来越来越多越来越来越多 临床背景下基于人工智能的预测性研究主要着重于研究疾病转归,包括死亡、再入院或住院时间等[6],而Tomašev 等人的研究结果则提供了独特的视角,为临床干预提供了有效的预测信号。

  深度学习有望为医生提供针对任何器官状态的有力预警手段,它的广泛应用你说歌词 前要医疗界改变思维辦法 。而且从非总爱 的一次性测试转向系统性的连续监测,或将为医务人员提供更有效的手段来预测病人的病情变化。