登上Nature，DeepMind新論文提前48小時預測急性腎損傷

機器之心報道

作者：思源、一鳴

DeepMind 表示，目前的醫護方式需要「變革」，我們要從反應型到預防型，在患者還沒出現急性病變前解決好問題。這也就是 DeepMind 提出提前 48 小時預測急性腎損傷模型的初衷。

DeepMind 近日在 Nature 發表論文，發布了一種新的人工智慧演算法，可以提前兩天預測到一種可避免的病變。通過和美國退伍軍人事務部一起合作，研究人員開發的這種技術能夠在急性腎損傷（AKI）發生前 48 小時向醫生髮出警告。而在英國，這種情況每年會發生在 10 萬人身上。結合 DeepMind 開發的移動醫療助手「Streams」上的服務進行評價，這種人工智慧演算法可以提升病人的醫護水平、減少醫療開支。

DeepMind 表示，演算法和智能醫療助手的結合可以幫助醫療方式向更高的階段轉變——從反應型醫護模型轉向預防型醫療模型。

據介紹，DeepMind 的相關團隊在過去幾年一直在尋找解決可避免病變的方法。他們嘗試構建一套數字化工具，用於提前定位問題、幫助醫生和護士快速反應、為病人提供更好的醫護水平。團隊最大的突破在於，不僅僅能夠更高效地定位病變問題，而且能夠在病變發生前預測到這一情況。

通過和退伍軍人事務部的合作，DeepMind 團隊將人工智慧技術應用在全面數據脫敏的健康記錄上。這些記錄是退伍軍人事務部收集而來的。研究顯示，人工智慧可以準確地在 48 小時前預測病人是否會發生急性腎損傷，較現有的診斷更快。更重要的是，模型可以預測出 90% 嚴重到需要透析進行治療的病人。

這可以提供一種早期的預防治療方式，避免需要更侵擾性的治療，如腎透析。同時，模型也可以在未來泛化到預測其他主要的病變問題上，如膿毒症——一種危及生命的感染。

DeepMind 同時在他們的博客文章中總結了「Steams」這款醫療產品的功能。這是一種智能輔助醫療助手，可以幫助醫生快速獲取病人的信息，並根據發生的問題及時作出反映，預防疾病惡化。下圖為基於電子系統和傳統方法通知醫生進行處置方法的流程對比，其中電子系統的代表就是 DeepMind 的 Steams。

電子系統如何幫助有風險的病人得到及時的醫療服務。

• 博客地址：https://deepmind.com/blog/predicting-patient-deterioration/

DeepMind 的 AKI 演算法到底是什麼樣的

DeepMind 團隊在這篇論文中提出的系統是基於循環神經網路的，它會序列地處理各個電子醫療記錄。具體而言，模型每次都會學習一批數據，並建立一個內部存儲機制以追蹤到當前時間步的所有歷史相關信息。在每一個時間點，模型會輸出接下來 48 小時內發生 AKI 的概率，而且這種預測囊括了各階段的嚴重程度。

當預測概率超過指定的操作點閾值，那麼預測就可以視為陽性。最終模型使用美國退伍軍人事務部所有可用站點的 703,782 名成年患者數據，進行訓練後的模型效果還是挺好的。

具體而言，該數據集由醫院電子醫療記錄提供的信息組成，數據中總的獨立記錄大約有 60 億，包含 62 萬特徵。患者會隨機分割為訓練（80%）、驗證（5%）、校準（5%）和測試集。任何時間點發生 AKI 的數據標註使用國際通用的 KDIGO 標準完成。模型和數據集的一些簡單描述展示在下圖 1 到圖 3。

圖 1：風險預測、不確定性和預測的未來實驗值的樣本示例。

如上為一名 65 歲的男性病人在前 8 天的記錄，他有慢性阻塞性肺病的歷史。其中 a 為入院時的肌酐測量值，其值的變化說明 AKI 發生在第 5 天。b 為 48 小時內任意時刻 AKI 發生可能性的模型預測，模型在真正發生 AKI 之前的 48 小時預測到了發病風險的提升。c 為入院 4.5 天后實驗室值的預測。

圖 2：模型表現——48 小時內發生 AKI 風險的典型曲線（characteristic）和精度-召回曲線，其中藍點展示了不同模型的操作點。

圖 3：模型預測的發病時間和實際 AKI 事件時間的對比。

如上所示，模型預測的 AKI 風險位於特定的時間窗口內，在這個窗口內，預測的具體小時與 AKI 標註可能不同。提前 48 小時預測任何 AKI (a) 和 AKI 階段 3 (b) 的性能顯示了不同的精度。

喜歡這篇文章嗎？立刻分享出去讓更多人知道吧！