许多烧伤患者患有急性肾损伤,但急性肾损伤的早期识别仍然具有挑战性。现在,加州大学戴维斯分校卫生局开发的人工智能/机器学习(AI/ML)模型已经在一项新的研究中得到报道,它可以比以前更快、更准确地预测急性肾损伤。
加州大学戴维斯医学中心消防员烧伤研究所教授、区域烧伤中心主任蒂娜帕尔米里说:“利用人工智能预测烧伤患者AKI的能力是烧伤中心的一个潜在突破。“如果能告诉患者可能有肾损伤,我们就可以采取措施预防。”
什么是急性肾损伤?
急性肾损伤(AKI)是突然发生的肾功能衰竭或损伤,导致血液中废物堆积,体内液体失衡。AKI通常发生在严重烧伤的第一周,因为复苏不充分,尤其是在关键的前24小时。在约30%的病例中,AKI是严重烧伤后常见的并发症,死亡率高达80%。
急性肾损伤的诊断
医生通常依靠传统的生物标志物,如血清/血浆肌酐和尿量。然而,尿量和肌酐测量被认为是AKI的不良生物标志物。
病理与检验医学系临床副教授Nam Tran说:“加州大学戴维斯分校率先确定了一种新的生物标志物(称为中性粒细胞明胶酶相关脂质载体蛋白(NGAL))在严重烧伤患者AKI早期预测中的作用。加州大学戴维斯分校。
尽管具有很强的预测能力,但NGAL尚未引入美国,其解释需要更有经验的临床医生和实验室专家。这一挑战促进了人工智能机器学习模型的发展,使得解释NGAL测试结果变得更加容易。
机器学习增强了对急性肾损伤的识别。
有时,AI/ML世界中的假设是,在构建ML模型时,更复杂的算法(如深度神经网络)优于更传统的算法。这种假设并不总是如此。
“我们通过我们的k近邻方法建立了一个强大的ML模型,可以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卫生系病理学和实验室医学教授Hooman拉什迪说。"根据入院数据,该模型可将诊断时间缩短两天."
对50例成年NGAL烧伤患者,在入院后24小时内测量尿量、肌酐和NT-proBNP,用临床实验室数据对模型进行训练和检验。数据集中一半的患者在入院后第一周内出现了AKI。包含NGAL、肌酐、尿量和NT-proBNP的模型在鉴别AKI方面达到90-100%的准确性。仅含NT-proBNP和肌酐的模型准确率为80-90%。
从入院到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打败传统方法将近一整天——这是预防和治疗AKI的关键时刻。
“对于我们的研究,AI/ML显示了使用一些常规实验室结果预测烧伤相关AKI的潜在临床效用,”Tran补充道。
新模式的应用和意义
该模型在这一领域有应用,包括伤亡。由于部队可能被派往缺乏肾损伤管理设施的医院,人工智能/最大似然方法可以更快地识别急性肾损伤患者,从而可以更快地转移到先进的医疗设施。这优化了战场上有限的资源,加快了将患者运送到需要去的地方。同样的过程也适用于民间世界。
拉什迪补充说:“我们设想,这种机器学习平台可以融入AKI以外的各种环境,最终可以增强临床医学领域患者护理的各个方面。
标签:
免责声明:本文由用户上传,如有侵权请联系删除!