登上Nature，DeepMind新论文提前48小时预测急性肾损伤

DeepMind 表示，目前的医护方式需要「变革」，我们要从反应型到预防型，在患者还没出现急性病变前解决好问题。这也就是 DeepMind 提出提前 48 小时预测急性肾损伤模型的初衷。

DeepMind 近日在 Nature 发表论文，发布了一种新的人工智能算法，可以提前两天预测到一种可避免的病变。通过和美国退伍军人事务部一起合作，研究人员开发的这种技术能够在急性肾损伤（AKI）发生前 48 小时向医生发出警告。而在英国，这种情况每年会发生在 10 万人身上。结合 DeepMind 开发的移动医疗助手「Streams」上的服务进行评价，这种人工智能算法可以提升病人的医护水平、减少医疗开支。

DeepMind 表示，算法和智能医疗助手的结合可以帮助医疗方式向更高的阶段转变——从反应型医护模型转向预防型医疗模型。

据介绍，DeepMind 的相关团队在过去几年一直在寻找解决可避免病变的方法。他们尝试构建一套数字化工具，用于提前定位问题、帮助医生和护士快速反应、为病人提供更好的医护水平。团队最大的突破在于，不仅仅能够更高效地定位病变问题，而且能够在病变发生前预测到这一情况。

通过和退伍军人事务部的合作，DeepMind 团队将人工智能技术应用在全面数据脱敏的健康记录上。这些记录是退伍军人事务部收集而来的。研究显示，人工智能可以准确地在 48 小时前预测病人是否会发生急性肾损伤，较现有的诊断更快。更重要的是，模型可以预测出 90% 严重到需要透析进行治疗的病人。

这可以提供一种早期的预防治疗方式，避免需要更侵扰性的治疗，如肾透析。同时，模型也可以在未来泛化到预测其他主要的病变问题上，如脓毒症——一种危及生命的感染。

DeepMind 同时在他们的博客文章中总结了「Steams」这款医疗产品的功能。这是一种智能辅助医疗助手，可以帮助医生快速获取病人的信息，并根据发生的问题及时作出反映，预防疾病恶化。下图为基于电子系统和传统方法通知医生进行处置方法的流程对比，其中电子系统的代表就是 DeepMind 的 Steams。

电子系统如何帮助有风险的病人得到及时的医疗服务。

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

DeepMind 的 AKI 算法到底是什么样的

DeepMind 团队在这篇论文中提出的系统是基于循环神经网络的，它会序列地处理各个电子医疗记录。具体而言，模型每次都会学习一批数据，并建立一个内部存储机制以追踪到当前时间步的所有历史相关信息。在每一个时间点，模型会输出接下来 48 小时内发生 AKI 的概率，而且这种预测囊括了各阶段的严重程度。

当预测概率超过指定的操作点阈值，那么预测就可以视为阳性。最终模型使用美国退伍军人事务部所有可用站点的 703,782 名成年患者数据，进行训练后的模型效果还是挺好的。

具体而言，该数据集由医院电子医疗记录提供的信息组成，数据中总的独立记录大约有 60 亿，包含 62 万特征。患者会随机分割为训练（80%）、验证（5%）、校准（5%）和测试集。任何时间点发生 AKI 的数据标注使用国际通用的 KDIGO 标准完成。模型和数据集的一些简单描述展示在下图 1 到图 3。

图 1：风险预测、不确定性和预测的未来实验值的样本示例。

如上为一名 65 岁的男性病人在前 8 天的记录，他有慢性阻塞性肺病的历史。其中 a 为入院时的肌酐测量值，其值的变化说明 AKI 发生在第 5 天。b 为 48 小时内任意时刻 AKI 发生可能性的模型预测，模型在真正发生 AKI 之前的 48 小时预测到了发病风险的提升。c 为入院 4.5 天后实验室值的预测。

图 2：模型表现——48 小时内发生 AKI 风险的典型曲线（characteristic）和精度-召回曲线，其中蓝点展示了不同模型的操作点。

图 3：模型预测的发病时间和实际 AKI 事件时间的对比。

如上所示，模型预测的 AKI 风险位于特定的时间窗口内，在这个窗口内，预测的具体小时与 AKI 标注可能不同。提前 48 小时预测任何 AKI (a) 和 AKI 阶段 3 (b) 的性能显示了不同的精度。