AI可以預(yù)測(cè)燒傷與創(chuàng)傷患者的急性腎損傷

根據(jù)《科學(xué)報(bào)告》上發(fā)表的一項(xiàng)新研究，可以訓(xùn)練機(jī)器學(xué)習(xí)(ML)算法來預(yù)測(cè)燒傷和創(chuàng)傷患者在最初24小時(shí)內(nèi)的急性腎損傷(AKI)。

“ AKI是重癥患者的常見并發(fā)癥，”加利福尼亞大學(xué)戴維斯分校病理學(xué)和實(shí)驗(yàn)室醫(yī)學(xué)系Hooman H. Rashidi醫(yī)學(xué)博士及其同事寫道。“特別是，嚴(yán)重?zé)齻幕颊咛幱诟唢L(fēng)險(xiǎn)狀態(tài)，高達(dá)58%的人患有AKI。對(duì)AKI的早期認(rèn)識(shí)有助于指導(dǎo)這些人群的液體復(fù)蘇和滴定腎毒性藥物的劑量。”

在注意到燒傷患者和非燒傷創(chuàng)傷患者之間的AKI分類相似之后，研究人員旨在觀察是否可以將一個(gè)患者群體(燒傷患者)的數(shù)據(jù)應(yīng)用于關(guān)注另一人群(非燒傷創(chuàng)傷患者)的研究。該團(tuán)隊(duì)的初始數(shù)據(jù)集(群組A)包括50名成年患者，其灼燒面積至少占其總體表面積的20%，然后是第二個(gè)數(shù)據(jù)集(群組B)，其51位患者具有燒傷，其灼燒度至少占其總體表面積的20%區(qū)域或不燒創(chuàng)傷有關(guān)的傷害被帶到每個(gè)模型的“確定普遍性”。

然后，在同類群組A和同類群組B上開發(fā)并驗(yàn)證了5種ML算法(邏輯回歸(LR)，k最近鄰，隨機(jī)森林，支持向量機(jī)和多層感知器深度神經(jīng)網(wǎng)絡(luò)(DNN))。 LR和DNN模型在準(zhǔn)確性(92%)，敏感性(91%)，特異性(93%)和AUC(92%)方面表現(xiàn)最佳。

此外，研究小組還報(bào)告說，在隊(duì)列A和隊(duì)列B中，嗜中性粒細(xì)胞明膠酶相關(guān)的脂蛋白(NGAL)均可預(yù)測(cè)AKI。不包括NGAL的AI模型始終“顯示出較低的性能指標(biāo)”。作者認(rèn)為，將NGAL包括在內(nèi)是“可能”為什么其模型的性能優(yōu)于先前研究中使用的模型的原因。

作者寫道：“我們的研究突出了ML在增強(qiáng)高危人群中AKI生物標(biāo)志物性能方面的潛在能力，并強(qiáng)調(diào)了在不同模型中進(jìn)行泛化研究的深遠(yuǎn)重要性。”“具體來說，我們的數(shù)據(jù)表明，當(dāng)ML與其他已知的生物標(biāo)志物組合使用時(shí)，ML能夠增強(qiáng)NGAL的預(yù)測(cè)能力和臨床敏感性。”