人工智能提高了烧伤引起的肾脏损伤
许多烧伤患者遭受急性肾损伤(AKI),但早期识别AKI仍然具有挑战性。现在,加州大学戴维斯分校健康中心开发的人工智能/机器学习(AI/ML)模型可以比以往任何时候都更快更准确地预测急性肾损伤。
加州大学戴维斯医疗中心消防员烧伤研究所区域烧伤中心主任Tina Palmieri教授说:“使用人工智能预测烧伤患者AKI的能力对烧伤中心来说是一个潜在的突破。”“如果我们能知道病人可能有肾脏我们可以采取措施来预防伤害。”
什么是急性肾损伤?
急性肾损伤(AKI)是指突然的肾衰竭或造成血液废物堆积和体内液体不平衡的损伤。AKI通常发生在因复苏不足而严重烧伤的第一周内,特别是在危重的前24小时。AKI是严重烧伤后的常见并发症,发病率约为30%,死亡率达80%。
诊断急性肾损伤
医生通常依靠传统的生物标志物,如血清/血浆肌酐和尿量进行诊断。然而,尿量和肌酐测量被认为是AKI的不良生物标志物。
加州大学戴维斯分校病理和实验室医学系临床副教授Nam Tran表示:“加州大学戴维斯分校是第一个发现一种名为中性粒细胞明胶酶相关脂calin (NGAL)的新型生物标志物在严重烧伤患者AKI早期预测中的作用。”
尽管NGAL具有很强的预测能力,但它在美国并不存在,其解释需要更有经验的临床医生和实验室专家。这一挑战促使了一种人工智能机器学习模型,使其更容易解释NGAL测试的结果。
机器学习增强急性肾损伤识别
有时AI/ML领域的假设是,在构建ML模型时,更复杂的算法(如深度神经网络)比传统算法更好。这种假设并不总是正确的。
“我们通过k-最近邻方法建立了一个强大的ML模型,能够在更短的时间内准确预测患者群体中的AKI,”加州大学戴维斯分校(UC Davis Health)病理学和实验室医学系的Hooman Rashidi教授说。“基于入院数据,该模型可以将诊断时间缩短至多两天。”
50名成人烧伤患者的临床实验室数据对模型进行了训练和测试,这些患者在入院前24小时内测量了NGAL、尿量、肌酐和NT-proBNP。数据集中一半的患者在入院后的第一周内发生AKI。包含NGAL、肌酐、尿量和NT-proBNP的模型识别AKI的准确率达到90-100%。仅包含NT-proBNP和肌酐的模型准确率达到80-90%。
从入院到使用传统生物标志物诊断的平均时间为42.7小时。使用ML算法的平均时间只有18.8小时。ML模型在近一整天的时间内击败了传统方法来预防和治疗AKI。
Tran补充说:“在我们的研究中,仅使用一些常规实验室结果,人工智能/ML在预测与烧伤相关的AKI方面显示了潜在的临床应用价值。”
新模型的应用和意义
该模型可以应用于战场,包括军事伤亡。因为军队可能会被送往缺乏肾脏管理设施的医院受伤, AI/ML方法可以更快地识别AKI患者,以便更快地将他们转移到先进的医疗设施。这优化了战场上有限的资源,加速了运输病人去他们该去的地方。同样的过程也适用于平民世界。
“我们设想这种机器学习平台将被纳入AKI之外的各种环境中,最终可以提高临床医学领域患者护理的各个方面,”Rashidi补充说。
进一步探索
用户评论