急性肾损伤（AKI）是指肾脏突然无法过滤血液中的废物。
这种疾病可以直接破坏危重病人的肾脏系统。
超过第二阶段（AKI分为三个阶段），死亡率接近89%。
如果发生在腹部大手术后，死亡风险会增加12倍。
幸运的是，研究人员在开发有助于早期检测的技术方面正在取得进展。
在一篇发表的论文 (《使用临床记录对重症监护环境中急性肾损伤的早期预测》) 中，西北大学和德克萨斯大学健康科学中心的研究人员描述了一种人工智能系统，可以从电子健康记录 (EHR) 中收集和提取危险。
因素并预测重症监护后 24 小时内发生 AKI 的可能性。
研究人员写道：“我们开发了一种数据驱动的预测模型来估计新 AKI 发作的风险。
” “从实践的角度来看，我们的预测模型可以用来提醒临床医生，重症患者在进入 ICU 后不久就面临急性肾损伤的高风险。
”为了训练这个人工智能系统，Medical Information Mart 团队获得了 III 级重症监护病房记录，这是一个免费提供的重症监护数据库，其中包含贝斯以色列女执事医疗中心 ICU 超过 40,000 名患者的匿名健康信息。
他们开发了一个脚本，记录年龄、性别、种族和民族，以及入住 ICU 第一天的临床记录和入院 72 小时后的血清肌酐水平（一种常见的泌尿毒性指标）。
这使得系统能够排除没有病历和肾功能不全证据的患者。
他们总共收集了 70 名患者 0 次入住 ICU 的 0 份临床记录，并将其分为两组：一组用于训练，另一组用于测试，然后开始构建机器学习模型。
研究人员需要对数据进行一些预处理以获得结构化特征，其中包括：利用国家医学图书馆免费提供的元图工具集；从自由文本临床记录中识别医学概念；和更多。
通过这些预处理提取的特征以概念唯一标识符 (CUI) 的形式出现，它们与统一医学语言系统 (UMLS) 中的单词和术语相关联，UMLS 是生物医学术语和分类的综合纲要。
研究人员还从基于 Python 编程语言的开源机器学习库 scikit-learn 中获得了五种算法，用于对 ICU 住院时间进行分类并估计 AKI 风险。
在测试中，研究人员的监督学习分类器实现了 0 的受试者操作特征（AUC），这意味着它能够识别超过 50% 的有 AKI 风险的患者，并且与之前的方法准确地“竞争”。
尽管如此，它并不完美。
它曾经错误地标记了一名患者的 AKI 发作，该患者的病历中包含高度相关的词语，例如“胸管”和“不稳定”。
在另一个案例中，它未能预测后来发生 AKI 的患者。
研究人员将继续研究替代表型系统、临床记录数据库以及使用其他患者数据集的验证。
关于将人工智能应用于 AKI 检测，另一个值得注意的是谷歌子公司 DeepMind，该公司在 2 月份宣布与美国退伍军人事务部建立合作伙伴关系，使其能够访问超过 70 万份医疗记录。