AI可以預測燒傷與創(chuàng)傷患者的急性腎損傷

根據(jù)《科學報告》上發(fā)表的一項新研究，可以訓練機器學習(ML)算法來預測燒傷和創(chuàng)傷患者在最初24小時內的急性腎損傷(AKI)。

“ AKI是重癥患者的常見并發(fā)癥，”加利福尼亞大學戴維斯分校病理學和實驗室醫(yī)學系Hooman H. Rashidi醫(yī)學博士及其同事寫道。“特別是，嚴重燒傷的患者處于高風險狀態(tài)，高達58%的人患有AKI。對AKI的早期認識有助于指導這些人群的液體復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患者群體(燒傷患者)的數(shù)據(jù)應用于關注另一人群(非燒傷創(chuàng)傷患者)的研究。該團隊的初始數(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)傷有關的傷害被帶到每個模型的“確定普遍性”。

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

此外，研究小組還報告說，在隊列A和隊列B中，嗜中性粒細胞明膠酶相關的脂蛋白(NGAL)均可預測AKI。不包括NGAL的AI模型始終“顯示出較低的性能指標”。作者認為，將NGAL包括在內是“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在增強高危人群中AKI生物標志物性能方面的潛在能力，并強調了在不同模型中進行泛化研究的深遠重要性。”“具體來說，我們的數(shù)據(jù)表明，當ML與其他已知的生物標志物組合使用時，ML能夠增強NGAL的預測能力和臨床敏感性。”