急性腎損傷(AKI)是指腎臟突然不能過濾血液中的廢物，這種疾病會直接破壞重癥病人的腎臟系統。如果超過第二階段(AKI分為三個階段)，死亡率會接近89%。如果它在腹部大手術后出現，則會使死亡的風險增加12倍。

　　幸運的是，研究人員在開發有助于早期發現的技術方面取得了進展。西北大學和德克薩斯大學健康科學中心的研究人員在發表的一篇論文(《使用臨床記錄對重癥監護環境中急性腎損傷的早期預測》)中，描述了一種人工智能系統，該系統可以從電子健康記錄(EHRs)中收集和提取危險因素，并預測重癥監護后的頭24小時內AKI的可能性。

　　“我們開發了數據驅動的預測模型來估計新AKI發作的風險，”研究人員寫道。“從實用的角度來看，我們的預測模型可以用來提醒臨床醫生，重癥患者在ICU入院后會很快處在急性腎損傷的高風險中。”

　　為了訓練這一人工智能系統，該團隊從Medical Information Mart獲取了三級重癥監護室記錄，這是一個免費提供的危重病數據庫，包含了Beth Israel Deaconess Medical Center ICU 4萬多名患者的匿名健康信息。他們開發了一個腳本，記錄了年齡、性別、種族和民族，以及ICU入院第一天的臨床記錄，和入院后72小時的血清肌酐水平(一種常見的尿液毒性指標)。上述操作使得系統排除了那些沒有醫生記錄和腎功能不全跡象的患者。

　　他們總共從141470名患者的16560次ICU住院中，收集了77160份臨床記錄，并將其分為兩組：一個用于訓練、另一個用于測試，然后他們開始建立機器學習模型。

　　研究人員需要對數據進行一些預處理以獲得結構化特征，其中一些處理方式包括：利用國家醫學圖書館免費提供的元地圖工具集;從免費文本臨床記錄中識別醫學概念等等。通過這些預處理提取的特征以概念唯一標識符(CUIs)的形式出現，這個同單詞和術語相關聯的概念來自統一醫學語言系統(UMLS)，即生物醫學術語和分類的綜合綱要。

　　研究人員還從scikit-learn(基于Python編程語言的開源機器學習庫)中獲取了五種算法，來分類ICU停留時間并估計AKI風險。在測試中，研究人員的監督學習分類器在受試者操作特性(AUC)下達到了0.779，這意味著它能夠識別50%以上的AKI風險患者，并且與以前的方法相比具有精確的“競爭性”。

　　盡管如此，這一切卻并不完美。它曾錯誤地標記了一名患者的AKI發病，該患者的圖表包含高度關聯的單詞，如“胸腔管”和“不穩定”。而在另一個案例中，它則未能預測出后來罹患AKI的患者。

　　研究人員將繼續研究替代的表型系統、臨床記錄數據庫，并使用其他的患者數據集進行驗證。

　　關于將人工智能應用于AKI檢測，另一個值得注意的是谷歌子公司DeepMind，該公司在2月份宣布了與美國退伍軍人事務部的合作伙伴關系，該合作伙伴關系賦予了它訪問70多萬份醫療記錄的權限。