SeterusnyaPanduan seterusnya
Ramalan Kecederaan Tekanan AI
industri
PANDUAN Industri
Ramalan AI Kecederaan Buah Pinggang Akut
Ramalan AI bagi kecederaan buah pinggang akut (AKI) menggunakan pembelajaran mesin pada data rekod kesihatan elektronik untuk menganggarkan pesakit yang dimasukkan ke hospital mungkin mengalami AKI dalam satu atau dua hari berikutnya.
Pada halaman ini4 minit membaca
Gambaran keseluruhan
Data termasuk trend kreatinin, pengeluaran air kencing, ubat-ubatan, tanda-tanda vital dan diagnosis. Ia penting kerana AKI adalah perkara biasa di hospital dan selalunya senyap sehingga kreatinin meningkat. Bertindak awal, contohnya dengan menghentikan ubat yang membahayakan buah pinggang atau membetulkan status cecair, boleh menghalang kerosakan. Namun, makluman itu sendiri tidak dapat meningkatkan hasil dengan pasti.
Menyelam dalam
Kecederaan buah pinggang akut adalah penurunan mendadak dalam fungsi buah pinggang. Pakar klinik mentakrifkannya dengan kriteria KDIGO: kreatinin serum meningkat sekurang-kurangnya 0.3 mg/dL dalam masa 48 jam, atau meningkat kepada 1.5 kali garis dasar dalam masa tujuh hari, atau pengeluaran air kencing kekal di bawah 0.5 mL/kg sejam selama enam jam. Tangkapannya ialah kreatinin adalah penanda yang ketinggalan. Pada masa ia meningkat, kecederaan mungkin satu hari atau lebih lama. Model ramalan cuba mendahului ketinggalan itu. Mereka belajar daripada banyak kemasukan lalu corak yang datang sebelum AKI: kreatinin drift kecil, nitrogen urea darah meningkat, tekanan darah rendah, sepsis, pembedahan baru-baru ini, penyakit buah pinggang kronik, dan pendedahan kepada ubat-ubatan yang boleh membahayakan buah pinggang, seperti vankomisin, aminoglycosides, NSAID atau kontras IV. Kajian paling terkenal datang daripada DeepMind dan Jabatan Hal Ehwal Veteran AS dan diterbitkan dalam Nature pada 2019. Rangkaian saraf berulang yang dilatih pada rekod VA meramalkan lebih separuh daripada episod AKI pesakit dalam sehingga 48 jam lebih awal. Ia menghasilkan kira-kira dua amaran palsu untuk setiap amaran yang benar. Ia juga menunjukkan prestasi yang lebih teruk bagi wanita, yang terdiri daripada sebahagian kecil pesakit VA. Itu menunjukkan bagaimana populasi latihan membentuk siapa model yang berkhidmat dengan baik. Salah tanggapan yang lazim ialah apl Strim DeepMind di Royal Free Hospital di London ialah AI. Ia tidak. Aliran menghantar makluman telefon doktor daripada algoritma NHS England AKI, yang merupakan perbandingan berasaskan peraturan bagi nilai kreatinin. Streams menjadi lebih dikenali kerana penemuan 2017 oleh Pejabat Pesuruhjaya Maklumat UK bahawa hospital itu tidak mematuhi undang-undang perlindungan data apabila ia berkongsi rekod pesakit dengan DeepMind. Pengajaran yang lebih besar ialah ramalan tidak sama dengan faedah. Percubaan rawak di Yale, yang diketuai oleh F. Perry Wilson, menguji makluman elektronik yang menyala sebaik sahaja AKI hadir. Makluman itu tidak mengurangkan hasil seperti dialisis atau kematian secara keseluruhan. Makluman membantu hanya jika seseorang bertindak ke atasnya dan tindakan berkesan wujud untuk pesakit itu.
Kesan Strategik
Konteks dan peraturan
Konteks industri menentukan sama ada idea AI bertahan dalam hubungan dengan realiti.
Kawalan kualiti
Kekangan domain mempengaruhi kadar ralat dan model pengawasan yang boleh diterima.
Pilihan binaan
Penerapan yang berjaya menyelaraskan keupayaan teknikal dengan aliran kerja barisan hadapan.
Masa Depan Ramalan AI Kecederaan Buah Pinggang Akut
Beberapa arah sedang dikaji, termasuk menggabungkan skor risiko model dengan biomarker tekanan buah pinggang yang diukur dalam air kencing, dan memasangkan amaran dengan himpunan penjagaan khusus dan bukannya amaran kosong. Percubaan kecil kumpulan penjagaan berpandukan biomarker selepas pembedahan jantung telah melaporkan lebih sedikit kes AKI. Masih tidak jelas sama ada makluman dipacu AI meningkatkan kadar dialisis, pemulihan buah pinggang atau kelangsungan hidup secara berskala, jadi hospital yang mempertimbangkan alat ini harus mencari bukti rawak yang prospektif dan menyemak prestasi pesakit mereka sendiri. Pemeriksaan kesaksamaan merentas jantina, kaum dan tetapan penjagaan mungkin akan menjadi rutin, kerana kajian VA menunjukkan sejauh mana model boleh mencerminkan populasi latihannya.
Pelaksanaan Dunia Sebenar
Model menilai semula setiap pesakit dalam setiap kali keputusan makmal baharu disiarkan. Ia menandakan pesakit selepas pembedahan menggunakan vancomycin dan piperacillin-tazobactam yang kreatininnya telah merayap dari 0.8 hingga 1.0 mg/dL, sebelum kenaikan itu memenuhi definisi KDIGO rasmi AKI.
Pasukan pembedahan jantung menggunakan model risiko sebelum operasi untuk memilih pesakit pintasan yang mendapat pemantauan pengeluaran air kencing setiap jam dan rancangan untuk mengelakkan kontras IV pada hari pertama selepas pembedahan.
Seorang ahli farmasi klinikal mendapat senarai harian pesakit berisiko tinggi dan memeriksa setiap satu untuk kombinasi ubat berisiko, seperti NSAID dengan perencat ACE dan diuretik, kemudian mengesyorkan menghentikan atau menukar salah satu daripada mereka.
Papan pemuka ICU menggabungkan pengeluaran air kencing setiap jam dengan keseimbangan cecair dan memberi amaran tentang pengeluaran yang jatuh. Jururawat memeriksa terlebih dahulu untuk kateter kencing tersumbat, yang merupakan sebab biasa bukan buah pinggang untuk pengeluaran yang direkodkan rendah.
Risiko & Pengawal
Keperluan kawal selia boleh membatalkan prototaip yang kukuh.
Data sejarah mungkin mengekod berat sebelah yang membahayakan komuniti tertentu.
Sistem warisan boleh mewujudkan kesesakan penyepaduan dan kos tersembunyi.
Hala Tuju Pelaksanaan
Libatkan pakar domain daripada pembingkaian masalah hingga penilaian.
Reka bentuk jejak audit dan dokumentasi sebelum pelancaran.
Sahkan pematuhan dan kewajipan keselamatan lebih awal.
Melancarkan secara berfasa dengan kriteria hentian dan undur yang jelas.
Teruskan Meneroka
Free newsletter
Get the daily AI briefing
Three verified AI stories every weekday morning, written in plain English. Free forever, no ads.
One email each weekday. Unsubscribe in one click. We never sell or share your address.
Test yourself
Take the AI Prediction of Acute Kidney Injury quiz
Instant feedback on every answer, and a shareable certificate with a verifiable ID once you pass a course.
Support free AI education. AI Understanding is a 501(c)(3) nonprofit — no ads, no paywall, ever. Make a donation
Soalan lazim
Apakah Ramalan AI Kecederaan Buah Pinggang Akut?
Ramalan AI bagi kecederaan buah pinggang akut (AKI) menggunakan pembelajaran mesin pada data rekod kesihatan elektronik untuk menganggarkan pesakit yang dimasukkan ke hospital mungkin mengalami AKI dalam satu atau dua hari berikutnya. Data termasuk trend kreatinin, pengeluaran air kencing, ubat-ubatan, tanda-tanda vital dan diagnosis. Ia penting kerana AKI adalah perkara biasa di hospital dan selalunya senyap sehingga kreatinin meningkat. Bertindak awal, contohnya dengan menghentikan ubat yang membahayakan buah pinggang atau membetulkan status cecair, boleh menghalang kerosakan. Namun, makluman itu sendiri tidak dapat meningkatkan hasil dengan pasti.
Di bawah kriteria KDIGO yang diterangkan dalam panduan ini, perubahan kreatinin manakah dalam masa 48 jam yang layak sebagai kecederaan buah pinggang akut?
KDIGO mentakrifkan AKI sebagai peningkatan kreatinin sekurang-kurangnya 0.3 mg/dL dalam masa 48 jam, peningkatan kepada 1.5 kali garis dasar dalam masa tujuh hari, atau pengeluaran air kencing yang rendah selama enam jam.
Mengapa model AKI cuba meramalkan kecederaan dan bukannya menunggu kreatinin meningkat?
Kreatinin meningkat selepas buah pinggang telah cedera, jadi menunggu ia membazirkan tingkap di mana pencegahan boleh membantu.
Dalam kajian DeepMind dan VA 2019, kira-kira berapa banyak makluman palsu yang datang dengan setiap ramalan AKI yang betul?
Model itu meramalkan lebih separuh daripada episod AKI pesakit dalam sehingga 48 jam lebih awal, dengan kira-kira dua amaran palsu untuk setiap yang benar.
Kumpulan manakah yang model AKI terlatih VA menunjukkan prestasi yang lebih teruk, dan mengapa?
Wanita kurang diwakili dalam data VA, dan model itu lebih teruk untuk mereka. Ini menunjukkan bagaimana populasi latihan membentuk siapa model yang berkhidmat dengan baik.
Apakah yang sebenarnya disampaikan oleh aplikasi Stream DeepMind di Royal Free Hospital kepada doktor?
Strim menghantar makluman daripada perbandingan kreatinin berasaskan peraturan kepada telefon doktor. Ia bukan peramal pembelajaran mesin, walaupun ia sering digambarkan seperti itu.
Teruskan belajar
Panduan berkaitan
Lebih banyak panduan dipilih untuk topik ini