人工智能可提前2天預(yù)測急性腎損傷

孟雨

器官損傷總是不易察覺，往往會因此錯過最佳治療時機。基于人工智能的新方法能持續(xù)監(jiān)測病人的健康數(shù)據(jù)并及時預(yù)測即將發(fā)生的腎臟損傷。

在美國的醫(yī)院中，急性腎功能損傷的發(fā)病率高達20 %，包括異常血壓和血容量等多種因素都會誘發(fā)這種十分普遍的病癥。但目前醫(yī)療界卻缺乏有效的手段來預(yù)測病人是否會發(fā)生以及何時會發(fā)生急性腎損傷。目前，對于高危病人的臨床處理手段是每天檢測血液中的肌酸酐濃度，濃度過高就意味著腎功能出現(xiàn)了問題。

近日，來自DeepMind等多個機構(gòu)的研究人員提出了一種基于人工智能的新方法，能夠有效預(yù)測病人即將發(fā)生的腎功能損傷。相較于傳統(tǒng)方法，這種新方法可以提前一到兩天檢測出大部分病人腎臟損傷的發(fā)生風(fēng)險。由于腎臟損傷往往在最后階段才被察覺，此時腎臟已經(jīng)發(fā)生不可逆的損害，嚴(yán)重時將會留下需要暫時或長期透析的后遺癥，甚至引起病人死亡。對于腎臟損傷的早期檢測方法將為有效的臨床治療贏得寶貴的時間。

深度學(xué)習(xí)作為近年來發(fā)展最快的人工智能方法，可以有效識別出數(shù)據(jù)中隱含的與特定結(jié)果相關(guān)的模式。在這一研究中，研究人員利用深度學(xué)習(xí)的方法來檢測急性腎損傷。訓(xùn)練深度學(xué)習(xí)算法需要大量的數(shù)據(jù)，研究人員從美國退伍軍人事務(wù)部（US Department of Veterans Affairs，為美國退伍軍人及其家屬提供服務(wù)）負責(zé)運營的172家醫(yī)院和1062家門診中，收集了超過70萬例成年病例的數(shù)據(jù)（2011- 2015年）。這些經(jīng)過匿名處理的數(shù)據(jù)為研究人員提供了人口統(tǒng)計信息、電子健康檔案、化驗結(jié)果、藥物處方和過往治療記錄等數(shù)據(jù)。論文的第一作者Tomasev和同事們從數(shù)據(jù)中整理出了約60億個數(shù)據(jù)點和60多萬個記錄特征，他們選擇了一種被稱為循環(huán)神經(jīng)網(wǎng)絡(luò)的深度學(xué)習(xí)方法來處理時序數(shù)據(jù)并對計算機進行訓(xùn)練，這種方法在深度學(xué)習(xí)領(lǐng)域被證明非常適合處理時序數(shù)據(jù)。

在訓(xùn)練完成后，研究人員利用事先分離出的獨立數(shù)據(jù)集對算法的有效性進行了測試。基于測試數(shù)據(jù)，計算機將生成接下來48小時內(nèi)連續(xù)的概率值來追蹤每個病人隨時間推移發(fā)生急性腎損傷的可能性。如果預(yù)測的概率值超過一定閾值，這個預(yù)測結(jié)果將被標(biāo)記為陽性（如圖一所示）。病人后續(xù)是否被檢查出病情則會驗證算法的預(yù)測精度。該模型同時還提供了預(yù)測概率值的不確定性，為醫(yī)生提供了評估預(yù)測信號的強度指標(biāo)。

Tomasev團隊提出的方法可以給出急性腎損傷的預(yù)警信號。研究人員利用人工智能中的深度學(xué)習(xí)方法來訓(xùn)練計算機從數(shù)據(jù)中檢測與后續(xù)腎損傷相關(guān)的模式。研究人員利用這種算法來分析過往的醫(yī)療數(shù)據(jù)，包括電子健康檔案和化驗結(jié)果等等。計算機分析某個病人的歷史數(shù)據(jù)后，將生成接下來48小時內(nèi)的連續(xù)概率值，對應(yīng)病人發(fā)生急性腎功能損傷的可能性。如果概率超過一定閾值，預(yù)測結(jié)果將被標(biāo)記為陽性，并向醫(yī)生發(fā)出警報。

在此假設(shè)場景下，Tomasev團隊的研究方法將提供比傳統(tǒng)方法更早的預(yù)警信號，為醫(yī)生和病人贏得了寶貴的治療時間。

Tomasev和同事們提出的新方法比其他基于統(tǒng)計或機器學(xué)習(xí)的方法更為精確地預(yù)測了即將要發(fā)生的腎損傷，而且對于醫(yī)院內(nèi)病人的預(yù)測精度最高———醫(yī)院內(nèi)病人發(fā)生急性腎損傷的比門診診所更為頻繁，同時時間窗口也更為短暫。對于所有病人和所有類別的腎損傷，包括較為輕微的損傷，這一系統(tǒng)的平均預(yù)測精度達到了56 %；而針對更為嚴(yán)重的腎損傷預(yù)測，對于后續(xù)30天和后續(xù)90天內(nèi)需要透析的病人預(yù)測精度則分別達到了84 %和90 %。該模型在不同的醫(yī)療場所和不同時間周期內(nèi)具有相似的預(yù)測精度。

此外，研究人員使用了消融性分析方法來鑒別與腎損傷發(fā)生風(fēng)險相關(guān)的因素，結(jié)果發(fā)現(xiàn)有很多，這也許解釋了為何過去讓研究人員分析這種風(fēng)險是一件棘手的事。

假設(shè)病例顯示了研究人員所開發(fā)的新方法的重大應(yīng)用潛力。如果利用傳統(tǒng)方法檢測，醫(yī)生將在第四天才能獲悉腎損傷的發(fā)生，而新方法則可以提前兩天預(yù)測出來，為醫(yī)務(wù)人員提供了更多寶貴的時間和更多干預(yù)治療的手段，包括增加病人的液體攝取，或者避免使用可能造成腎毒性的藥物。

然而這一系統(tǒng)也存在一定問題：生成一系列假陽性的預(yù)測結(jié)果，即誤報一些沒有發(fā)生的腎損傷。每個精確的預(yù)測會對應(yīng)兩個假陽性結(jié)果。假陽性絕大多數(shù)來源于患有慢性腎病的病人，疾病的癥狀會與急性腎損傷疊加，造成結(jié)果難以預(yù)測。

本研究的另一局限在于這是一項回顧性研究，利用回顧性研究構(gòu)建的人工智能方法將在前瞻性研究中發(fā)生一定程度的退化，這可能是因為臨床中的真實數(shù)據(jù)會比預(yù)先存在的經(jīng)過清洗的“干凈”數(shù)據(jù)要復(fù)雜得多。

前瞻性研究是檢測預(yù)測系統(tǒng)的真實臨床價值的根本所在，而預(yù)測成功與否不是唯一應(yīng)加以評估的因素。要確定計算機生成的預(yù)警信號是否在臨床中減少了急性腎損傷的發(fā)生率，一種方法是開展隨機設(shè)計的臨床試驗，只將其中一半的預(yù)測傳遞給醫(yī)生。此外，作者的模型也應(yīng)該在其他人群身上進行有效性的測試。作者的研究只包含了不到7 %的女性病例，那么，模型對于不同性別的病人是否具有相同的預(yù)測精度，也值得在未來進行深入地研究。

雖然這一研究包含了不同種類的數(shù)據(jù)，但還有其他數(shù)據(jù)源也值得納入進來，例如病歷上的手寫內(nèi)容，來自可穿戴傳感器的連續(xù)生命監(jiān)測信號，如心率等，這些都有可能提供有價值的相關(guān)信息。

對于非重癥病人來說，常規(guī)監(jiān)測方法是每天測量一次生命體征，但病人經(jīng)常會突然出現(xiàn)病情急轉(zhuǎn)直下的情況。Tomasev和同事的研究對于這樣的病人來說十分有用，可以在病人發(fā)生嚴(yán)重的器官衰竭之前發(fā)出預(yù)警，為病人贏得寶貴的救治時機。先前，很多臨床背景下基于人工智能的預(yù)測性研究主要著重于研究疾病轉(zhuǎn)歸，包括死亡、再入院或住院時間等，而Tomasev等人的研究結(jié)果則提供了獨特的視角，為臨床干預(yù)提供了有效的預(yù)測信號。

深度學(xué)習(xí)有望為醫(yī)生提供針對任何器官狀況的有力預(yù)警手段，它的廣泛應(yīng)用也許需要醫(yī)療界改變思維方式。但是從非經(jīng)常的一次性測試轉(zhuǎn)向系統(tǒng)性的連續(xù)監(jiān)測，或?qū)獒t(yī)務(wù)人員提供更有效的手段來預(yù)測病人的病情變化。