SeterusnyaPanduan seterusnya
Ramalan Kecederaan Tekanan AI
industri
PANDUAN Industri
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.
Dengar panduan iniAI-diceritakan · ~3 min
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.
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.
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.
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.
Newsletter percuma
Tiga cerita AI yang disahkan setiap pagi hari bekerja, ditulis dalam Bahasa Inggeris biasa. Percuma selamanya, tiada iklan.
Satu e-mel setiap hari bekerja. Berhenti melanggan dalam satu klik. Kami tidak pernah menjual atau berkongsi alamat anda.
Uji diri anda
Maklum balas segera pada setiap jawapan, dan sijil yang boleh dikongsi dengan ID yang boleh disahkan sebaik sahaja anda lulus kursus.
Sokong pendidikan AI percuma. AI Understanding ialah pertubuhan bukan keuntungan 501(c)(3) — tiada iklan, tiada bayaran dinding, selamanya. Buat derma
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.
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.
Kreatinin meningkat selepas buah pinggang telah cedera, jadi menunggu ia membazirkan tingkap di mana pencegahan boleh membantu.
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.
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.
Strim menghantar makluman daripada perbandingan kreatinin berasaskan peraturan kepada telefon doktor. Ia bukan peramal pembelajaran mesin, walaupun ia sering digambarkan seperti itu.
Teruskan belajar
Lebih banyak panduan dipilih untuk topik ini
SeterusnyaPanduan seterusnya
Ramalan Kecederaan Tekanan AI
industri