在住院成年人中预测毒性急性损伤:机器学习算法

科学领域:

• 腎臟病學 (nephrology) 是一種醫學專業.
• 人工智能的人工智能
• 临床信息学 临床信息学

背景情况:

• 急性损伤 (AKI) 是住院成年人的常见并发症,对预测和预防提出了重大临床挑战.
• 现有的预测模型在成年人群中经常难以准确,需要先进的方法.

研究的目的:

• 通过使用机器学习来改进和增强儿科的毒性损伤被Just-in-Time Action (NINJA) 计划否定的程序,以改进对成人毒性AKI的预测.
• 评估复发性神经网络 (RNN) 封闭复发性单元 (GRU) 模型在识别经过毒暴露后具有高AKI风险的成年患者的性能.

主要方法:

• 一项回顾性队列研究,涉及2017年至2022年期间入院爱荷华大学医院的成年患者.
• 数据包括85个变量:人口统计,实验室测试,生命体征和药物. AKI的定义是血清肌素增加≥0.3 mg/dL.
• 在85%的数据上训练了一种RNN-GRU模型,并在剩余的15%上进行测试,使用精度,回忆,负预测值和AUC来评估性能.

主要成果:

• 该研究分析了14,480名患者和37,300名高毒素暴露事件;29%的暴露导致48小时内AKI.
• 对于AKI预测,RNN-GRU模型实现了0.60的精度,每例AKI错误警报从2.5降至0.7.
• 确定的主要危险因素包括低血红蛋白,低血压和最高白细胞计数,以及特定药物,如阿西克洛维尔和皮佩拉西林-塔扎巴克坦.

结论:

• 开发的RNN-GRU模型显著降低了成年人毒性AKI的虚假警报.
• 这一进步支持NINJA计划的潜在转化到成人医疗机构,促进更精确的干预.
• 进一步的研究应纳入全面的临床变量和药物特定数据,以提高预测准确度.