白癜风完全治疗吗 http://baidianfeng.39.net/bdfby/yqyy/人工智能指导急性肾损伤的诊治
翻译：彭伟华，校对：王玉康摘要目的急性肾损伤（AKI）常使病情复杂化，尤其是在ICU或大手术后，且发病率和死亡率较高。进展到AKI的风险取决于先前存在的合并症和当前疾病的原因。此外，许多其他参数影响肾功能，如其他重要器官的状态、宿主的反应以及起始的治疗。信息学领域的进步使得我们有机会存储和利用与患者相关的数据来训练和验证模型，以检测特定诊疗模式，并因此预测疾病状态或预后。最新发现机器学习技术也被应用于预测AKI以及与其AKI相关的预后，如死亡率或是否需要肾脏替代治疗。最近已经开发了数个模型，但只有几个模型在外部队列中得到了验证。总结我们对关于AKI的机器学习预测模型及其在重症病人和接受大手术患者中的预测效果进行概述。我们还讨论了与在临床实践中实施这些模型相关的陷阱和机会。关键词急性肾损伤，人工智能，机器学习，预测前言急性肾损伤（AKI）常见于住院患者，尤其是ICU患者。AKI与短期和长期发病率和死亡率的增加以及卫生保健资源的使用增加有很强的相关性。根据血清肌酐（SCr）升高或尿量减少进行AKI的诊断和分期已经从最初的RIFLE和AKI网络标准到最近的肾脏疾病改善全球结局（KDIGO）标准进行了轻微的修改。目前还没有具体的治疗方法可以改变AKI的病程，管理策略以支持为主，并防止病情进一步恶化。当肾脏不能满足渗透压和液体负荷的要求时，肾功能进行性下降、液体超负荷或出现代谢并发症，此时可以用肾脏替代疗法（RRT）来治疗。相反，Scr的升高是潜在的肾小球滤过率（GFR）下降的迟发和不敏感的标志，并且在诊断时已经发生了显著的损害。因此，预防AKI的时间窗很短。AKI的发展依赖于许多参数，包括患者的特征（如年龄和合并症）、因果事件、宿主的反应、对重要功能的影响以及起始的治疗和治疗效果。最近信息学领域的进步以及收集和存储无限数据能力的提升导致电子健康记录在临床决策支持中的应用越来越多。新技术的巨大计算能力可以补充和提高人类在连续查看和解释所有这些数据方面的表现。几种建模和机器学习技术已经发展起来，并在ICU中得到越来越多的应用。对于连续的结果参数，可以通过回归学习来构建模型。对于二元结果，“分类学习”可用于训练模型以基于特征变量对模式进行分类（表1）。自变量的选择可以用最小绝对收缩率和选择算子进行。回归和分类技术都可以应用于大数据集。模型的性能通过辨别度或接受者操作特征曲线下面积（AUROC）、校准和精度曲线下的面积等来评估。在这里，我们对基于人工智能的工具进行概述，上述工具可用于预测重症患者和接受重大手术患者的AKI发生以及ICU中AKI患者的临床结局。方法我们在PubMed中用医学主题标题术语“artificialintelligence”或“machinelearning”或“acutekidneyinjury”进行检索。所有51份报告都进行了分析，并检索了参考文献。并对所有相关文章的引文进行了评价。然后，我们将文章分类为入院类型（ICU、围手术期或普通病房）和预测结局。我们只纳入有关ICU患者和接受大手术患者的模型评估报告（表2和表3）。急性肾损伤的预测ICU风险模型我们发现了11个ICU患者AKI预测模型。虽然大多数研究包括混合ICU人群，有2项研究包括所有住院患者，但他们分别报告了ICU患者的模式表现，还有2项研究侧重于重度烧伤患者。6项研究使用Scr来定义AKI，1项研究还包括eGFR，4项研究同时使用Scr和尿量。基线血肌酐测定不统一。一些研究使用入院前天至1天的平均Scr。而另一些研究则使用入院时的Scr，根据修改后的饮食和肾脏疾病（MDRD）公式反向计算Scr，或在整个住院过程中测量任何Scr。3项研究没有报告基线血肌酐的定义。在报告SCr基线缺失率的文章中，通过MDRD公式反向计算SCr的百分比为21.8～30.0%。有5项研究在入ICU后24～48h内预测AKI的发生，2项研究每15分钟评估一次风险，2项研究每天预测，1项研究在入ICU早期的4个不同时间点进行预测，1项研究未报告。在5项研究中，预测窗口为1周，其中2项研究预测了随后72小时内的AKI，1项研究在48小时内预测AKI，3项研究没有报告。3个模型在外部队列中进行了验证。Malhotra等在当地开发了该模型，并在AKI发病率较高的外部队列中进行了验证。AKI在两个人群中的发病率不同，但在开发和验证队列中，模型的区分性都很好。Flechet等医院的前瞻性观察研究中将模型与医生的预测进行比较，并纳入尿量和血肌酐以定义AKI。该队列中较低的AKI发生率与排除了非手术患者有关。他们发现，无论是机器学习模型还是医生的预测，都有很好的识别力和准确性。然而，与AKI机器学习模型的预测时间相比，医生的风险判断存在延迟。作者总结说，由于医生不能连续处理所有参数，自动警报很可能更早地预测AKI。此外，经验较少的医生预测的识别能力更低。最后，Rasshii等提出了一种新的方法，他们建立并验证了重度烧伤患者AKI的预测模型，但其开发和验证的样本量都很小。围手术期风险模型大手术常合并AKI，AKI会增加大手术患者的短期和长期死亡率及发病率。在最近的几十年中，人们对围手术期AKI的意识有所提高，围手术期处理指南已经公布。基于KDIGO指南的AKI诊断通常是在重症监护病房或术后监护病房进行的，但AKI的诊断同样适用于手术室环境。Thottakkara等首次报道了术后AKI的机器学习预测模型。输入的变量为术前信息，但不包括围手术期血流动力学参数。该模型能够较好地预测术后第1周的AKI。Bihorac等进一步探索了这一模型，开发并验证了一种名为MySurgeryRisk的评分系统来预测AKI患者的死亡率和术后严重并发症发生率。他们将该模型与临床医生的预测进行比较后发现，该模型预测AKI的分辨率明显高于临床医生的预测。与主治医生相比，实习生对患者进行错误分类的频率更高，但差异不显著。同样的研究人员将围手术期数据添加到模型中，从而建立了动态机器学习流程。46%的患者在出院前发生术后AKI，其中87%发生在术后第1周内，超过50%的患者在滞留ICU至少48小时。加上围手术期数据后，模型对AKI的识别率和准确性有所提高。Lei等开发了一个大型非心脏手术患者术后第1周的AKI预测模型。他们使用住院前、手术前和围手术期变量构建了三个模型。与围手术期变量相比，增加术前变量对模型预测效率的改善更为显著。最后，Lee等开发了一个模型来预测肝移植后48小时内的AKI。使用梯度升级技术的模型构建具有最好的性能，其AUROC为0.90。肾脏替代治疗需求的预测4个模型预测了住院患者的RRT需求。其中1项研究只纳入ICU患者，而在另外2项研究分别有20%和30%的患者入住ICU，最后1项研究纳入了所有住院患者。预测时间窗从AKI诊断后48h到整个住院期间不等。模型区分度较好，AUROC在0.82至0.96之间。ICU急性肾损伤患者的其他预后预测容量反应性重症患者经常接受补液试验以恢复心输出量并改善肾功能。另一方面，液体过负荷在AKI患者中更为常见，且与预后不良相关。限制性液体管理策略可减少脓*症患者AKI的恶化，但也可能会增加腹部大手术患者的AKI风险。Zhang等研究了人工智能是否可预测少尿患者的液体反应性。液体反应定义为尿量增加。在内部验证中，模型的AUROC为0.。死亡率Lin等开发了一个预测ICU中AKI患者死亡率的模型。纳入的合并症仅限于艾滋病、转移性癌症和血液系统恶性肿瘤。由于死亡往往是并发症的后续结果，决定不启动RRT和/或停止治疗与患者的病史密不可分。讨论AKI通常是由多种因素引起。AKI的风险评估包括原发疾病、年龄、合并症、宿主反应、治疗措施和机体对治疗反应等。人工智能可以综合上述所有参数，对AKI预测可能有价值。目前人们已经开发和验证了几个模型来预测ICU内和围手术期AKI的发生。大多数模型在内部验证中表现出较好的区分度和准确性，其中有三个模型在外部队列中进行了验证，结果令人振奋。然而，人工智能永远不能取代医生，因为机器无法将预测整合到平衡的临床决策中。相反，人工智能必须被认为是一种快速而有效的工具来检测存在风险的患者。几种模型均能较准确地预测未来48至72小时的AKI。预测较短时期风险模型（换句话说，更接近AKI发展的时间窗）的表现更好，但也可能就缺乏在短时间内改善结果的可能性。事实上，如果及早采取行动，实施有效的预防措施，患者可能会从正确的预测中获益，因此人们需要相当长的预测时间窗，以便医生进行一定的干预，以防止病情进一步恶化。机器学习模型是否可以改善预后有待进一步评估比较。在临床实践中实现机器学习模型可能有助于改进流程。因此，我们需要不断地输入新数据来重新校准模型。由于模型可能高估了医疗保健改善后的风险，重新校准可以让预测持续准确。当某个模型被引入临床实践时，医生必须意识到其中的陷阱。首先，预测的质量取决于数据的质量。要将人工智能应用于临床实践，输入的数据必须实时可用，且需评估其准确性和可靠性。其次，如果模型在与其构建地点相似的人群中使用，则模型的启动将是最优的。例如，在退伍*人事务部（主要是男性）数据库上生成的流程最初常常会对女性进行错误分类。如果可以获得女性患者的数据，这种情况可以通过重新校准得以纠正。这也是为什么模型必须在以前未接触的人群中进行验证的原因。此外，预测模型的报告必须总结建立模型的人群特征，这与医生评估模型是否可以在特定环境中使用密切相关。第三，预测的结果应基于与临床相关的客观的和可测量的判断标准（如住院时间、AKI或死亡）。如果预测的结果是医疗干预（如RRT），医院的治疗策略不同时，模型的预测性能就会下降。KDIGO标准是根据Scr的上升或尿量的下降来定义AKI的，但多数模型只使用Scr标准，有的模型使用的是基线Scr的非标准化定义。最好是预测的结果应该与预测因素具有确定的生理相关性和临床相关性。例如，在预测液体反应性的模型中，尿量的增加被用来评估液体的反应性，但尿量的增加并不是常见的液体反应性参数。人工智能模型特别有吸引力，因为它们还可以用来预测其他相关的临床结果（如急性呼吸窘迫综合征、心力衰竭、肝功能衰竭和休克等）和特定治疗的效果。这样的预测可能会向临床医生提供潜在的成功治疗方案，这将增加机器学习模型的临床适用性。第四，我们需对此类AKI预测的警示阈值和警示方法进行充分研究。高灵敏度和低阳性预测值之间应做到最佳权衡。众所周知，AKI预测生物标志物的表现在不同人群中存在异质性，在高危人群中可能更准确。与生物标志物检测相比，机器学习模型可以在不增加成本的情况下连续预测AKI。这种持续的风险评估有助于识别高危人群，在此类患者中可能需要进一步进行生物标志物的检测。结论人工智能在医学上的应用日益广泛。大型ICU数据库的建立有助AKI机器学习预测模型的构建。最近已经开发了数个AKI预测模型，但只有几个模型在外部队列中得到了验证。在临床应用前，前瞻性外部验证是必要的步骤。人工智能模型在AKI预测及开发新的治疗方法方面具有巨大潜力。预览时标签不可点收录于话题#个上一篇下一篇
