✦
深度学习辣汤小组文献阅读学习之一百四十六篇
✦
用于儿科重症监护中急性肾损伤早期预测的机器学习模型
DeepLearning 深度学习辣汤小组
2023/12/10
2021年8月，来自美国亚利桑那州凤凰城儿童医院信息技术部的Vinay U. Vaidya等人开发了一个机器学习模型，以学习疾病前的生理测量模式，可比目前制定的诊断指南提前48小时预测小儿急性肾损伤（AKI，acute kidney injury）。并在Critical Care期刊（IF：19.3 医学1区）上发表题为“Machine learning model for early prediction of acute kidney injury (AKI) in pediatric critical care”的文章。
DOI：
https://doi.org/10.1186/s13054-021-03724-0
一、研究背景
AKI影响多达四分之一的儿科危重症患者，并且与更高的死亡率、更长的住院时间以及随后的慢性肾脏病发展独立相关。目前，AKI的诊断依据是KDIGO临床实践指南，该指南基于血清肌酐和尿量。然而，由于肾功能损害通常先于肌酐升高，因此分期指南仅在肾损伤或损害已经发生后才发现AKI。虽然在儿科ICU中，AKI发生后通常没有特定的治疗方法可以逆转，但一些研究表明，AKI后肾功能的早期改善可能会带来更好的结局。因此，早期预测AKI对于识别有发生AKI风险的患者和早期干预以改善预后非常重要。
本研究旨在为儿科重症监护患者开发一个实时运行的AKI预测模型，该模型可以检测患者生理学的细微持续变化，并提醒护理人员注意AKI高风险患者。
二、数据集
本研究队列包括三个独立的三级护理儿科重症监护中心的PICU和心胸重症监护室的患者。第一组数据来自2003年至2011年期间的一家美国医院（1号医院），第二组数据来自2009年至2015年期间的英国医院（2号医院）；第三组数据来自2014年至2019年期间的美国医院（3号医院）。
来自三个中心的患者数据被分为训练集(70%)、验证集(15%)和测试集(15%)，确保没有患者重叠。设计一个单一的预测模型，并使用所有医院的训练和验证数据训练，然后在每个医院的保留测试数据上进行验证。
三、方法
本研究利用来自三家独立机构共计16,863例涵盖1个月至21岁年龄段的小儿危重症病患的电子医疗记录数据，开发了一个机器学习模型，用以早期预测基于肌酐的AKI，该模型遵循个人预后或诊断多变量预测模型的透明报告指南，并使用了年龄依赖型集成机器学习模型，该模型考虑了年龄相关的风险，使其适用于广泛的患者年龄范围。此模型主要目标是对中度至重度急性肾损伤进行预测（2/3期），次要目标则在于对任何急性肾损伤（1/2/3期）的预测以及对肾脏替代疗法需求的评估（RRT，renal replacement therapy）。模型通过生成警示，能够实现对急性肾损伤风险的快速评估及降低，同时也能提供相关背景信息及建议的应对策略。
四、结果与结论
经过训练的模型在AKI的预测方面表现良好，AUROC在AKI发作前48到24小时的训练预测窗口内从0.83增加到0.89，稍微下降到训练窗口之外的0.85，如图1a所示。图1b显示，在两个美国医院（医院1和3）之间，模型性能相当，而在英国医院（医院2）上性能较差，肾性心绞痛指数（RAI，renal angina index）是PICU入院时AKI的预测指标，被用作基线比较指标。RAI在AKI发病前计算，并与模型预测进行比较。
在预测时间范围内，经过训练的模型能够识别70%的RRT、58%的AKI 2/3期和41%的任何阶段的AKI患者，具体数量见表1。该模型触发的AKI警报对于任何AKI都具有1:1的真阳性(TP，true positive)与假阳性(FP，false positive)比率，这就意味着每个TP预测都对应了一个并未发生AKI症状的FP预测，从而取得了一个47%的阳性预测比率。
图2展示了针对某个去标识化患者的预判，该患者的血清肌酐测量指标持续上升，然而直至AKI于时间点0发生之前均未超越KDIGO设定的界限。假使现今时刻为发作前36小时，床边医师对即将来临的AKI尚且无知觉，同时继续为该患者施予存在肾毒性潜在的药品。中间的图表则呈现了对于护理人员的警示提示：除标明“病人有在接下来的48小时内发展成AKI的90%的可能性”外，亦提供了关于病人“正在使用氨基糖苷类药物”以及何种测量值是高风险的主要诱发因素的相关背景信息。亦明确指出了建议采取的行动方案，如“检视药物的剂量设定与适应症”。
综上所述，在本研究中展示的机器学习模型能够在AKI发生前48小时内精准预测中度至重度AKI。这项模型有潜力通过提供及时的早期警讯与可应用的回馈信息来改善儿科AKI患者的预后质量，并且有能力通过采取如药物调整等早期干预措施来预防或降低AKI的发生率。
图1：本研究模型的AUROC及RAI
表1：在训练模型和RAI的预测时间段内，所有医院的测试数据集的评估指标汇总
图2：通过展示一位患者的AKI疾病发展轨迹实例，并结合KDIGO阶段2/3期AKI发生前36小时的预测结果，展现模型实际运作的详细过程
Pepper soup transformed by: Jin Daipeng
//
深度学习辣汤AI小组由徐州医科大学以及徐州医科大学附属医院一群热爱人工智能的小伙伴们组成，欢迎大家跟我们交流学习!
扫码关注我们
欢迎加入我们！
成员微信号：cy2011mcu
添加好友时请备注：
您的 单位-科室-姓名-研究方向
