许多烧伤患者遭受急性肾损伤(AKI)，但早期识别AKI仍然具有挑战性。现在，加州大学戴维斯分校卫生局开发的人工智能/机器学习(AI / ML)模型在一项新研究中得到报告，可以比以往更快，更准确地预测急性肾损伤。

“使用人工智能预测烧伤患者AKI的能力是烧伤中心的一个潜在突破，”加州大学戴维斯分校医疗中心消防员烧伤研究所区域烧伤中心教授兼主任Tina Palmieri说。“如果我们能告诉患者可能有肾脏受伤，我们可以采取措施来预防它。”

什么是急性肾损伤?

急性肾损伤(AKI)是突然的肾衰竭或损伤，导致血液中的废物积聚和体内的液体不平衡。AKI通常发生在严重烧伤的第一周内，因为复苏不充分，特别是在关键的前24小时内。在大约30%的病例中，AKI是严重烧伤后的常见并发症，死亡率达到80%。

诊断急性肾损伤

医生通常依靠传统的生物标志物，如血清/血浆肌酐和尿量来诊断。然而，尿量和肌酐测量被认为是AKI的不良生物标志物。

“加州大学戴维斯分校是第一个确定新型生物标志物(称为中性粒细胞明胶酶相关脂质运载蛋白(NGAL))在早期预测严重烧伤患者的AKI中的作用，”病理学和检验医学系副临床教授Nam Tran说。加州大学戴维斯分校。

尽管具有强大的预测能力，但NGAL在美国尚未推出，其解释需要更多有经验的临床医生和实验室专家。这一挑战促使人工智能机器学习模型的开发，使其更容易解释NGAL测试的结果。

机器学习增强了急性肾损伤识别

有时，AI / ML世界中的假设是，诸如深度神经网络之类的更复杂的算法在构建ML模型方面优于更传统的算法。这种假设并非总是如此。

“我们通过我们的k-最近邻方法建立了一个强大的ML模型，能够在更短的时间内准确预测患者群体中的AKI，”加州大学戴维斯分校健康系病理学和检验医学系教授Hooman Rashidi说。“根据入院数据，该模型可以将诊断时间缩短两天。”

对于在入院的最初24小时内测量的具有NGAL，尿量，肌酐和NT-proBNP的50名成年烧伤患者，对模型进行了训练并用临床实验室数据进行测试。数据集中有一半的患者在入院后的第一周内发生了AKI。含有NGAL，肌酐，尿量和NT-proBNP的模型在识别AKI方面达到了90-100%的准确性。仅含有NT-proBNP和肌酸酐的模型的准确度达到80-90%。

从入院到传统生物标志物诊断的平均时间为42.7小时。使用ML算法的平均时间仅为18.8小时。ML模型击败传统方法将近一整天 - 关键时间来预防和治疗AKI。

“对于我们的研究，AI / ML显示了使用一些常规实验室结果预测烧伤相关AKI的潜在临床效用，”Tran补充说。

新模型的应用和含义

该模型具有在该领域中使用的应用，包括用于军事伤亡的应用。由于部队可能被送往缺乏管理肾损伤设施的医院，因此AI / ML方法可以更快地识别AKI患者，从而可以更快地转移到先进的医疗设施。这优化了战场上有限的资源，并加速了病人到他们需要去的地方的运输。同样的过程适用于民用世界。

“我们设想将此类机器学习平台纳入AKI以外的各种环境中，最终可以增强临床医学领域内患者护理的各个方面，”Rashidi补充说。