机器学习对急性肾损伤:改变传统的疾病预测模式

1。介绍

阿基是一位临床紧急与各种急性和慢性并发症;甚至轻微安琪可能导致慢性肾脏疾病和严重或复发事件可能导致终末期肾病,与死亡和受损的风险增加密切相关的生活质量(1)。阿基的增加发病率和死亡率在世界范围内,临床医生越来越关注阿基(2)。

良好,阿基与高危因素通常发生在易感人群或特定医疗程序后,和几个以前的研究已经获得更一致的结论对风险因素的评估通过分析大量的静态和动态特征的AKI患者(3- - - - - -8)。基于阿基的可预防性和易于诊断,增加研究重点是早期诊断AKI的住院病人的早期评估,以确定他们的危险分层,动态调整治疗方案,更换有潜在危险的医疗订单,和干预措施,以避免或减少潜在的肾损伤,最终实现住院病人肾保护通过减少阿基的发生率,避免一系列后续的不良事件。

AKI的预测模型的建设一直是研究者在21世纪的杰出成就,在过去的10 - 20年,已报告预测模型,特别是近年来,不同医疗机构的电子病历信息系统在世界各地逐渐改善,电子健康记录的使用来构建模型已成为另一个在这个领域的突破,由于人工智能的引入,它提供了更多的方法高效地利用巨大的医疗数据在大数据时代,使挖掘大量的信息和培训模型基于机器学习算法成为一个前沿热点。是激动人心的,这项技术还没有失望的医疗决策行为;至少在目前的研究中,这样的模型可以预测阿基的AUC 0.80或以上,并在一些研究中,AUC甚至达到0.93。在这个报告中,我们设置搜索关键字“机器学习”和“急性肾损伤”通过pubmed数据库,我们筛选了有关文学通过审查的抽象信息,在仔细阅读包括文学,我们专注于评估最新进展在机器学习的应用系统来预测阿基风险,为后续研究提供证据和总结的想法进行。

2。机器学习的概念

机器学习是人工智能技术的一个主要分支,定义为研究的算法,用计算机系统来学习样本数据和过去的经验(9)。流行的机器学习算法包括监督学习和无监督学习,其中监督学习包括决策树、支持向量机、朴素贝叶斯、再邻居,逻辑回归,随机森林、梯度增加树木,广义可加模型,人工神经网络和集成树模型;无监督学习包括主成分分析和k-mean分类。其中,神经网络是一个新领域,最具代表性,深入学习,被认为是最接近原始的人工智能的目标,解决很多复杂的模式识别的挑战。其他技术包括完全连接神经网络、卷积神经网络(cnn),复发性神经网络(RNNs),生成对抗网络(甘斯)和深度强化学习(10- - - - - -12)(表1)。

3所示。机器学习建模思想

机器学习建模的过程是连续的,由以下步骤的基础上总结研究经验。第一步:数据采集。研究小组根据建模概念定义了数据目标和访问授权的数据,包括结构化数据和非结构化数据,从多个医疗机构使用不同的数据存储库。现在即使EMR数据标准化通过编码系统,这个过程仍然是乏味而耗时的。步骤2:数据准备。收集到的数据必须清洁、管理和组织成一个更可计算格式。这包括监督学习数据的标签,分类值的转换,和异常值的处理缺失值,极其不平衡数据。步骤3:特征选择。的一个特性是“列名”数据,如药物n,呼吸速率,或年龄。模型开发过程依赖于特征选择从一个大功能基础,包括套索或Breiman和卡特勒随机森林方法,重复这个过程直到研究者的模型性能感到满意。步骤4:模型的训练。基于一个固定比率根据分类模型的训练数据集类型,预选功能用于迭代训练。这个过程可以由取代hyperparameters特性和模型配置不断优化模型,优化模型的性能,并减少预测错误。第五步:模型验证。这一步包含两个子步骤的内部和外部验证。首选的测试方法k-fold交叉验证,内部验证可以识别数据期间过度拟合或underfitting模型训练,而外部验证可以检查在实际条件下模型的性能。第六步:模型试验。在医疗环境中使用的模型是新数据来测试其预测的可行性和可靠性在日常临床工作和临床可接受性。第七步:评估和解释模型。模型评价是一个重要的过程来判断模型的可用性和可靠性,为并行提供关键指标模型之间的比较。机器学习的评价预测模型相似的诊断实验的主要参考指数是接受者操作特征曲线下的面积(AUROC)。此外,其他指标常常被引用为辅助评估研究中,包括准确性,记得,精度、敏感性,特异性,阳性预测值,阴性预测值,F1-value等。有效的模型解释可以帮助临床医生更好地理解模型输出和结果变量之间的关系。目前,世鹏科技电子方法基于算法博弈论广泛应用。可以从全球和本地的角度解释预测结果,并被证明是比现有方法更符合人类直觉。第八步:监控和更新模型。模型后正式使用,每一步操作的监控,以确保预期的使用和预测精度而不断更新,通过新的数据性能优化模型的性能。重要的是要注意,上面的流程和步骤不一定是连续的,单向的,允许反馈过程中,除了深学习过程(图1)。

4所示。机器学习AKI的预测模型

4.1。阿基预测模型对急救护理设置

2015年,国际肾脏病学会提出了“阿基0 25”计划到2025年实现零死于阿基,ICU,受影响最严重的地区,从阿基高发病率和死亡率,是实现这一目标的最大障碍(13)。在此背景下,有一种普遍的共识来识别安琪危重患者早期的风险,并采取在安琪预防和管理更加积极主动的作用,值得一提的是,这些措施是高度依赖和时间敏感。

近年来,已经有大量的研究机器学习AKI的预测模型对于危重患者,这种类型的和有几个特性的研究。首先,模型训练数据的选择主要集中在三个公开数据库,MIMIC-III, AmsterdamUMCdb eICU (14- - - - - -25)。本地数据库的使用并不普遍,只有来自梅奥诊所的信息和SHZJU-ICU可以检索(21,26,27)。公共数据库高度集成且易于访问,但这是不可避免的,一些丢失的信息会影响数据的真实性;例如,缺失值的变量与大部分MIMIC-III数据库中包括白蛋白水平最低(74.1%),胆红素水平最高(67.2%),乳酸水平最高(55.8%),c反应蛋白水平最高(99.0%)、天冬氨酸转氨酶水平最高(66.8%),pH值最高(36.6%),最低的基础过剩水平(64.8%)(14)。此外,这些研究主要包括欧洲和美国的人口,和模型的普遍性是亚洲人的怀疑。此外,数据提取标准设置或数据预处理方法的差异导致一定程度的不可比性研究相同的数据库来源之一。第二,我们检索的14个研究中,只有3外部验证模型的研究(20.,21,26)。虽然这是至关重要的模型泛化和hyperparameters依赖外部验证优化模型,由研究人员很好理解,有各种各样的约束外部验证,包括数据格式在中心不均匀的情况下,一些医疗结构的自我保护数据安全,或者从其他中心由于难以匹配预测模型的复杂性。第三,所有的模型能够实现上述温和歧视阿基事件的AUC值从0.69到0.926,结合了传统的建模方法,如逻辑回归,在个别研究(14- - - - - -16,18,20.- - - - - -24)。在一些研究中也包含传统的建模方法,如逻辑回归,或与医生的主观诊断,机器学习建模也同时优越。第四,解释能力是非常重要的在医疗领域,和医学辅助诊断系统必须要理解和解释;理想情况下,它应该能够解释的完整逻辑提供相应的决策有关各方获得的信任医生,但实现的过程模型解释预测模型建设的有关阿基对危重患者很少见,这在某种程度上导致了建模和分析之间的脱节,放弃额外的阿基的特点和风险因素的分析和浪费的潜力的有效利用大量的信息(19,22,26)。第五,而变量筛查是必要和关键的建模,将静态和动态变量反映了不同的建模的目标。大多数模型包括患者同时这样高维变量可以引用的基础条件,如人口统计信息和并发症的基本状态。也可以考虑客观指标,如生命体征和实验室检测实时和动态跟踪风险轨迹,可以结合逐渐或突然出现阿基更好地预测阿基可靠。另一方面,57%的患者达到阿基标准的第一天入住ICU,根据研究结果(27)。因此,一些研究只包括送往医院之前的数据,包括基本信息和入院诊断,实现早期预测早发性阿基(表2)。

4.2。阿基所有保健机构的预测模型

尽管它非常有利于构建预测模型对于危重患者,阿基在一般住院病人的风险不应掉以轻心。年初以来机器学习建模的研究中,研究人员一直在努力试图建立一个预测模型对整个住院人口达到一劳永逸地大预测性报道研究的好处最大化。后来的研究证明,这些想法是可行的,结果可靠。

目前,这种模式主要分为两种类型,即“一次性”预测模型和实时预测模型。2015年,克罗宁et al。(28)有超过160万名的退伍军人住院数据点模型训练,结果表明,这三个模型的AUC值预测阿基1 - 3时期是0.746 - -0.785,0.714 - -0.720,-0.825和0.823,分别,但令人惊讶的是,传统的逻辑回归和套索回归模型表现略好于随机森林模型,这可能是由于套索回归模型的变量选择函数,可以减少过度拟合通过消除不重要的干扰变量,从而有效地提高模型的性能。在2018年的研究Koyner et al。(29日),其中包括ICU,普通病房和急诊病人,护理仪器如莫尔斯下降规模包括首次变量的分析,随着时间的推移和研究侧重于反映纵向数据使用离散时间存活分析框架,最后的梯度提高模型预测的AUC值0.9和0.87 AKI的提前24和48 h,分别。此外,作者探讨了创建一个算法模型,不包括肌酐的变化,表明排除这个因素并不影响模型的能力区分阿基的独立基线肾功能水平。2019年,Tomasev et al。(30.与Deepmind)团队进行协作研究,谷歌公司,其包含源数据被克罗宁等与早期的研究一致。28)和类似的大量数据(超过700000成人病例数据,约60亿数据点和600000年记录的特性),其使用深度学习的神经网络模型预测AKI的AUC值超过0.9事件提前48 h,该算法已被证明是非常适合处理高频时间序列数据。此外,研究人员使用消融分析识别许多因素有关阿基的风险,这或许可以解释为什么这是研究人员很难分析这种风险在过去。

一些研究也包括受试者的年龄限制;例如,凯特et al。(31日)开发了一个模型对60岁以上老年人发病率高的阿基,在这四种方法是利用模型阿基预测和检测分析,结果表明,AUC值为0.621 - -0.644,0.692 - -0.743,分别说明阿基的检测比预测的要容易得多。此外,并存病被认为是更重要的在预测阿基在烧蚀实验,包括以前的阿基的历史和呼吸衰竭(表3)。

建立连续的实时预测模型也是研究人员追求的目标,在一项研究中,金正日et al。35)2021年,一个连续预测模型开发一般住院病人根据各种动态和静态临床特征使用递归神经网络算法,以达到实时预测阿基的风险。适用于支持临床决策是由外部验证证明,与内部和外部验证的AUC值0.88和0.84阿基的任何阶段,第二阶段患者的0.93和0.90阿基或更高,分别都是比XGBoost模型,再次证明递归神经网络算法的有效性在处理序列数据(表3)。

模型的适用性,构造基于所有住院病人危重病人,如ICU住院患者,是一个重要的标准评估模型的性能和建设的目标之一,这类模型。2018年,一项由Mohamadlou et al。(32),依赖于斯坦福本地数据建模的使用提高了决策树方法集和外部验证与MIMIC-III数据库显示,模型显示较高的预报值在不同的数据集在不同的窗口(在安琪发病和12、24、48和72 h开始之前),AUC值高于沙发的分数。在另一项研究通过Churpek et al。(34)以上Koyner et al。(29日)模型简化,减少预选的变量的数量,其次是大型多中心研究近三卫生系统和六医院的500000名住院患者,AUC值预测至少第二阶段阿基在48 h是0.86内部验证组,在两组外部验证,值分别为0.85和0.86 (表3)。

一些研究人员怀疑一些建模策略上面所提到的,主要是在设定的时间范围的数据收集和使用此进行multiclinical角度研究,以期反映模型的临床应用更实际。他et al。(33)专注于回答这个问题在他们的研究在2019年,该评估模型的性能区分阿基通过设置不同的预测时间窗口,所有模型,发现AUC值范围从0.720到0.764,首次确认的优势策略基于机器学习方法的建模、和性能最好的模型通过预测安琪提前一天,也就是今天最常用的建模策略。程的一个类似的研究等。36)进行地址相同的两个问题:如何预测阿基的发展在住院病人早期和准确,以及如何评估是否提前进气数据增强模型的性能。该研究使用不同的数据收集时间窗口多个数据集三种建模方法进行比较。结果表明,随机森林模型的AUC值的最佳性能预测阿基提前1 - 3天分别为0.765,0.733和0.709,分别,AUC值添加提前进气之后没有明显变化只与post-admission数据(表3)。

4.3。特殊14日阿基预测模型

在此背景下,有越来越多的机器学习研究心脏surgery-associated安琪(CSA-AKI)预测模型,能捕捉到阿基信号灵活和有效地与传统风险评分方法相比,同时更清楚地揭示CSA-AKI之间复杂的相互联系及其相关因素,更适用于多因子的CSA-AKI致病假说。在第一个CSA-AKI机器学习模型研究由李等人。37)2018年,多个机器学习方法有更强的预测效果比之前的八个风险评分模型(风险评分系统AUC值集群为0.55),和他们的表现不佳可能是由于低数量的预测和缺乏术中非线性变量,如输血量或血流动力学变化,通常代表急性术中反应。关于分析变量的贡献在围手术期不同阶段时期,曾在研究et al。38)2020年,重要性矩阵和世鹏科技电子总结随机森林的土地被用来提供证据的两倍;前20名,超过一半的重要特征是术中特性,这意味着术中变量的主要影响心脏手术后早期肾功能下降,这证明了术中数据的价值。这些数据反映了术中急性生理反应与CSA-AKI的预测,而预测模型在先前的研究更强调术前状态。然而,这也被质疑等研究的最新研究Petrosyan et al。(39)2022年,一个混合使用机器学习的方法首次推导和验证模型预测CSA-AKI的任何阶段只使用术前变量,它不仅有杰出的表现相比,传统的逻辑回归和其他单一的机器学习方法建模,但也能适应多个变量之间的关系,防止过度拟合的数据。在这项研究中由Zhang et al。(40)2022年,包括程序的类型与李和曾的研究是一致的,包括接受冠状动脉旁路移植术的患者和瓣膜置换,建模方法也重叠;然而,建模变量包括术前,术中,术后早期变量,如插管术后早期,PaO2 /供给比例,血红蛋白、血清钾、乳酸脱氢酶、AUC值模型的各种机器学习方法是0.857 - -0.881。同样,在另一项研究由李et al。(41)2020年,患者心脏主动脉手术被添加到训练集,和变量包括术前和术中因素以及手术后的中央静脉压力,导致的AUC值为0.845的预测严重阿基的贝叶斯网络模型(表4)。

CSA-AKI的发生率也不同类型的心脏手术,目前认为心脏大血管手术会导致更高的利率由于体外循环。例如,Lei et al。(42)在他们的研究中报道了CSA-AKI建模主要血管外科手术的患者在2020年,72.6%的患者在训练队列不同程度的CSA-AKI开发。基于这一群体建模、随机森林方法也实现了AUC值为0.8,远高于逻辑回归等模型。Penny-Dimri et al。(43)2021年的研究,不仅是训练队列的数据量大,但包括对象也更丰富,除了主动脉手术,瓣膜手术和心脏搭桥手术,包括一些缩窄性心包炎患者手术。基于梯度增加,再和神经网络方法,多个模型的AUC值范围从0.77至0.78,尽管他们低于先前的研究结果;考虑非均质性的培训对象,甚至有更多的理由相信模型是可概括的。引入夏普利值模型的解释是罕见的和所有研究的关键,因为它更直观地说明了贡献的细节模型的变量和更有可能获得临床医生的信心(表4)。

在过去的几十年中,肝移植已成为治疗终末期肝病患者的首选(ESLD),并提出在器官保存,手术方法,麻醉技术和免疫抑制疗法大大改善预期的结果,但最近的数据报告发病率4 - 94%的阿基从生活和已故捐赠人,肝移植后的8 - 17%患者需要肾脏替代治疗(53)。在当前可用的一些研究中,作者运用多种机器学习方法的建模比较,最佳的AUC值为0.81,0.85,和0.90在一个单一的研究,都优于同一组比较逻辑回归模型的值(44,48,50)。然而,由于不同的建模思想,也有不同的类别的预选的变量和变量的贡献模型的特点,在最新研究由路易斯·塞萨尔Bredt et al。(48于2022年),主要包括变量与人工神经网络方法建模研究CKD, MELD评分、术中动脉低血压,捐赠大量输血和扩展标准。在这项研究中由李et al。(44)在2018年,它是证明XGBoost模型有最好的性能,和最终的五大变量包括冷缺血时间,意味着静脉氧饱和度,意味着心脏指数,尿量,术前血糖。上述模型都是由术前和术中变量,但几乎没有重叠的比较变量的重要性。一方面,这可能是有关建模样本容量和功能不同的机器学习算法的适应性;另一方面,这可能与肝脏供体的来源,如在后者的研究同时生活和死亡供者移植的病人。当然,当前的建模研究术后不感兴趣数据实现早期预测和防止术后干预和预防的影响,尽管一些研究证实,某些术后AKI的因素也同样的风险因素,包括免疫抑制药物,感染,抗生素,脓毒症,长期低血压,使用射线造影剂(54)(表4)。

肝切除术是最重要的一个治疗原发性肝癌,肝切除术后阿基的发病率(LSA-AKI)直径0.9 - -17.9% (53),但是阿基事件往往低估了在临床实践中。许多研究调查与LSA-AKI相关风险因素,和几个经典阿基评分系统,如Kalisvaart分数,分数和公园已建立;然而,由于LSA-AKI的多因子的性质,这样的分数低效率的预测风险发生的阿基(55,56)。很少有研究机器学习LSA-AKI建模。在这项研究中盾et al。(49),从2450名患者临床资料进行回顾性分析,比较多种机器学习算法的模型性能,结合术前和术中数据,包括年龄、胆固醇、手术时间、血清肌酐和血小板计数,随机森林模型的AUC值0.92。另一项研究通过Lei et al。(57)还包括术前和术中数据,结果表明,决策树模型表现更好,AUC的0.722。与之前的研究不同,本研究还证实,肿瘤大小是一个重要的预测指标。虽然这两个研究的结果是不同的,后者的模型性能研究是远远不如前的平行比较,和机器学习模型执行明显比传统的逻辑回归模型。然而,目前的研究仍有改进的余地;借用盾et al。(49),模型发展应该更关注小说的结合生物标志物和模型解释和还应该考虑精度和召回率,以确保模型的可靠性(表4)。

先前的研究都集中在长期肾切除术后肾功能的变化,和模型预测术后AKI罕见,尤其是使用机器学习方法在建模研究。在2021年的一项研究李et al。(45),各种各样的机器学习方法被用于建模的比较,结果表明,LightGBM模型有最好的预测性能,AUC值为0.81,远高于的逻辑回归模型。同样,在一项由Lazebnik et al。(46)2022年,随机森林模型还显示更好的预测性能的AUC值0.75。然而,在另一项研究在2020年朱镕基et al。(47),通过合并术前,术中,术后变量和使用多种方法学习和培训87名患者的信息,结果表明,表现最好的XGBoost模型AUC值为0.749,这是低于0.826的经典逻辑回归模型。它可能很难进行平行对比中只有三个研究目前因为群体间的变异程度的设计;例如,有一定比例的RN患者4104例中包括在第一项研究(45),而第三个研究包括所有孤立肾患者(47)。此外,在一个研究中,不同的运营商和手术方法(人工或机器人,腹腔镜或打开)也可能导致混淆的偏见,使准确预测结果的复杂和困难。然而,有相对一致性的类似研究的证据,包括包含分析建模变量更多的支持类型的手术,男性性别、肿瘤大小、年龄、手术时间、术中缺血时间,和肾分数,这通常与先前的危险因素研究的结果一致。此外,机器学习方法的疗效的评价是积极的,尽管第三个研究的结果略有不同。然而,原因是少量的建模数据,没有确保机器学习方法可以充分利用这些信息来建立变量之间的关系(47)。总之,类似于其他类型的阿基,大规模数据信息的应用程序和机器学习算法的预测肾切除术后阿基已被证明是可行的,尽管没有发现可以直接广义跨中心(表4)。

虽然没有以前的兴趣阿基整形手术后,研究表明,接受髋关节和膝关节置换术后阿基的发生率从24.0%至0.5不等(58- - - - - -60),因此post-arthroplasty AKI的临床预测可以被认为是另一个例子可以从机器学习中受益。2022年,Ko et al。(51)使用梯度提高建模获得内部和外部验证AUC值0.78和0.89的全膝关节置换术的患者进行建模研究。同年,Nikkinen et al。(52)包括接受膝盖和髋关节置换术的患者和模型基于肌酐,尿量相比,分别的AUC值,结果表明,两个模型分别为0.91和0.98,分别。虽然在样本大小有差异,机器学习方法和案例特征之间的两项研究中,都得到可以接受的结果,而在变量选择方面,都一致认为,术前肌酸酐水平,男性,ASA分类,和年龄AKI的重要危险因素,这个结果在很大程度上是与先前的研究一致。然而,类似研究的最大贡献可能是强调在整形手术和术后AKI的引入机器学习方法提供新想法AKI的预测研究骨科手术后,特别是关节成形术(表4)。

4.4。特定的疾病安琪预测模型

脓毒症是最常见的原因在危重患者,发病率及其与脓毒症的严重程度增加,而SA-AKI患者死亡率明显高于non-AKI患者(61年),因此,识别患者的风险阿基对脓毒症患者的管理是至关重要的。基于SA-AKI的发病机制的复杂性,很难实现SA-AKI在临床的早期预测工作。目前,新的生物标记和一些阿基评分系统的性能并不是令人满意的。同样,利用机器学习方法SA-AKI是极其罕见的,并只有一个相关的研究越et al。62年)。在这项研究中,数据从3176年患者包括模型训练,结果表明XGBoost模型的AUC值为0.817,显示良好的预测准确性方面的歧视和校准而优于以前的评分系统,传统的建模方法。即使结果不等于作用在临床实践中正如作者所言,这项研究是第一个在SA-AKI研究,虽然承诺SA-AKI早期预测的,也是有价值的属性发病率的风险因素等变量的重要性排名尿液体积,机械通气,身体质量指数,表皮生长因子受体,可控硅最低,最低髻。这项研究也有意义的未来的平行研究。重点仍在增加变量和筛查变量的维数特征作出更多贡献模型性能,包括并发症如糖尿病、高血压和心血管疾病、感染源的信息,如腹部感染,病原体的性质,如革兰氏阴性细菌、侵入性操作如机械通风,和药理干预措施如利尿剂和acei / arb (表5)。

阿基是一种常见的并发症严重烧伤患者,报告发病率~ 40%和73 - 100%的死亡率(73年)。很少有研究burn-associated阿基建模使用经典的机器学习方法,和代表的研究完成了唐et al。70年)2018年,XGBoost方法用于模型训练和验证,并与传统的逻辑回归模型。结果表明,包括APACHEⅱ评分,三度烧伤面积的百分比,24小时post-admission补液,败血症,第一个24小时尿液体积,沙发,和48小时post-admission补液,AUC值由机器学习算法构造模型的0.92,这是明显高于0.875的逻辑回归模型,但这项研究的局限性也是显而易见的。因为粉尘爆炸事故的幸存者包括患者,诊断主要是严重烧伤合并吸入性损伤,所以无法确认外部推广的适应性(表5)。

机器学习研究建设AKI的预测模型在烧伤病人同样先驱,有不同的重点和利用新型生物标记比先前的建模思想。在一项由Rashidi et al。(72年)在2020年,它第一次被假设机器学习方法可以提高阿基的预测潜在生物标志物在危重病严重烧伤患者等人群,结果证实,当与其他已知的生物标记等结合使用中位数水平以上病人或可控硅,机器学习可以提高预测能力和临床NGAL的敏感性,尤其是深层神经网络结合NGAL;这将提供最好的模型敏感性,特异性和AUC值,实现预测提前68.1小时根据KDIGO标准。更重要的是,可以接受的结果也已获得的外部验证异构群如外伤病人诊断。另一项研究由南et al。71年)在2019年发表了类似的结果,再使用的方法增加了安琪烧伤病人的识别基于可控硅,NGAL UOP,中位数水平以上病人。在先前的研究,有担心,先前存在的炎症驳倒生物标志物如NGAL的性能,从而限制他们的角色在AKI诊断,但是机器学习的方法可以有效地解决这个问题通过识别复杂的诊断模式蒙面的混杂因素,进一步证明和提高性能的新型标记如NGAL和为临床医生提供了希望。在未来的研究中,建模的概念,这种类型的机器学习方法可能被给予更多的关注,和其他标记的验证和利用可能带给我们更多的惊喜(表5)。

阿基长期以来被认为是一个常见而严重的并发症急性胰腺炎(AP),流行的~ 10 - 42%,预后不良,死亡率为25 - 75%患者AP-AKI (74年)。近年来,研究机器学习AP-AKI已经进行了建模。第一曲等进行的相关研究。63年)2020年,由多个方法建模后,发现XGBoost实现最佳性能最高的AUC值为0.9193时,除了性能优良的敏感性和特异性,同时筛选基于建模变量进一步补充风险因素如APACHEⅱ评分和c反应蛋白和总胆红素水平。此外,近年来,已经有了更深的理解AP-AKI的可能机制,和越来越多的基础实验和临床研究表明,炎症反应在阿基的病理生理学中起着独特的作用。基于这一背景,杨et al。(建模研究64年)2022年专注于细胞因子变量的夹杂物,结果表明,通过引入C反应蛋白,血小板/淋巴细胞百分比嗜中性粒细胞/淋巴细胞百分比,半胱氨酸蛋白酶抑制物C和其他炎性指标,随机森林和其他学习方法实现了AUC值0.725 - -0.902,这不仅证明了模型的可靠性,也进一步验证了可能与AP-AKI协会的炎症反应,同时为后来的研究提供了思想和优化方向,即更深入研究的生物标志物。探索这些生物标志物之间的相关性和AP-AKI的发生和发展利用机器学习或消除混杂因素,分析它们之间的联系和其他炎症性或非炎症变量是非常重要的改善AP的治疗地位和加强AP-AKI的一级预防(表5)。

阿基是一种常见的并发症患者恶性肿瘤,发病率为7.5 ~ -9.5% (75年,76年)。阿基与恶性肿瘤(MR-AKI)不仅影响正在进行的治疗,但也降低肿瘤缓解率和更高的死亡率(77年)。MR-AKI有关不仅拥有先进的年龄和慢性并发症,而且与肿瘤特异性因素如恶性浸润,肿瘤溶解综合征、肾毒性药物和对照治疗(78年,79年)。在一项由Zhang et al。(65年),2021年6846例肝脏和胆囊癌症患者的数据收集,和XGBoost方法被用于建模。在内部验证、肝癌和胆囊癌症的AUC值模型分别为0.822和0.850,分别。在建模变量的筛选,发现可控硅和eGFR贡献了超过20%的模型获得,而肝癌治疗发现排名第三的能力建模预测肝癌,这进一步支持部分肝切除术或肝移植对阿基的影响。在研究中通过李et al。(68年)2020年,6459名参与者与胃肠道癌症在中国癌症发病率高光谱,包括食管、胃和结肠癌症,被招募。变量选择是首先由GLASSO方法简化变量的复杂性和避免过度拟合和错误分类,然后使用各种方法进行建模。最后,贝叶斯网络的效率被证明是最好的,AUC值0.823和0.790的内部和外部验证,分别。与此同时,贝叶斯网络给了解释概率建模变量之间的依赖关系的特点自己的算法;然而,这种关系并不代表因果关系。此外,这项研究不包括公认的重要临床变量,如感染和肾毒性药物,它掩盖了未知变量和阿基之间的关系在某种程度上。同年,李et al。(69年)也进行了一项类似的研究血液肿瘤患者,包括淋巴瘤、白血病,多发性骨髓瘤中2395例患者,再次使用变量选择和随后的GLASSO方法实现一个AUC值0.835使用贝叶斯网络的方法。这两项研究的缺点是一致的,但肿瘤疾病的诊断和治疗的认识是深刻的,模型的研究不仅实现了临床检测MR-AKI早于KDIGO标准通过机器学习的方法,还进一步阐述了贝叶斯网络的优势来可视化图形显示和解释复杂的变量之间的依赖关系,使用实体肿瘤或血液肿瘤(代表表5)。

上述三项研究的模型类型是古典的,但类似的研究改进的模型类型。例如,斯坎伦et al。(66年)在2020年只有阿基的风险预测在接下来的30天内根据血液肿瘤病人的结果,和随机森林方法预测阿基30天,1天前AUC值为0.881和0.947,分别。此外,前瞻性研究发现~ 60%的阿基用例可以发现疾病的发病前30天。这项研究的特点是一个扩展的预测范围和丢弃的大量非治疗的信息,以确保模型可用于门诊诊所。在7-28 day-chemotherapy循环的肿瘤患者,临床医生有更多的机会接受预测警报基于常规血液测试结果。另一项研究由公园等。67年)在2018年发明了一种更适用于阿基预测模型,放松了现有方法的局限性,充分利用不规则和异构数据的学习和训练模式。研究共包括21422名癌症患者的数据集。多种建模方法被用来预测阿基事件14天内的精度0.7892,召回率是0.7506,0.7576的F值。本研究的目的是构建一个使用为机器学习模型或不规则non-ICU病人的测量结果。首先,14天内最大可控硅值预测,然后用来预测阿基的发生和严重程度。这个扩展模型可以应用于不同临床人群,让阿基预防和更好的癌症患者临床决策更多样化的环境(表5)。

4.5。AKI的预测模型与特定的肾毒素暴露有关

Contrast-related操作是目前一个重要的临床诊断和治疗方法,包括图像增强检查,动静脉栓塞,和心血管介入治疗,和阿基,其主要并发症之一,已经得到广泛的关注,尤其是关于机器学习的建筑AKI的预测模型与经皮冠状动脉介入(PCI)。2018年,黄et al。(80年)进行了第一次机器学习模型研究,包括案例信息开发的原始数据NCDR-CathPCI评分系统,和多个模型构造和相对评估通过使用相同的数据量和原始变量,变量选择不同模式、不同的候选人变量预处理策略,不同的建模方法。结果表明,最好的模型是由使用所有可用的候选人在其原始变量形式,alignment-based变量选择、和XGBoost计算方法,与更广泛的预测比目前被广泛接受的范围和更强的危险分层NCDR-CathPCI评分系统;这种比较有统计上的显著差异,虽然性能改进薄弱。在最近的研究中由酒井敦et al。(81年)在2022年,他们的建模数据源是一致的与黄等。80年)。他们还使用单独XGBoost和逻辑回归模型的方法。除了阿基事件、出血和住院死亡率也包含在端点的结果。XGBoost模型结果表明,适度提高了阿基的歧视事件AUC值为0.84,显著高于传统的逻辑回归模型,进一步支持黄等的结论。(80年)。然而,最优的建模方法是不固定的,它是与多种因素有关。例如,在一项由太阳et al。(82年)2020年模型的决策树的性能比较,支持向量机,和随机森林,结果表明,随机森林最终实现了AUC值为0.82时通过使用变量,如中性粒细胞百分比,年龄和自由三碘甲状腺氨酸(表6)。

除了这三个经典的机器学习方法的建模研究中,有些研究人员继续扩大他们的建模思想。例如,在后续研究中由黄et al。(83年)2019年,旨在开发一个模型来评估造影剂的体积之间的关系受到PCI患者和阿基的风险,结果表明,这种相关性是非线性和异构患者不同基线风险,这对传统的回归方法很难实现。通过引入机器学习方法,基于超过100万名患者的数据覆盖范围广泛的基线风险,这种相关性的建设有效地完成使用广义相加模型通过量化对比剂溶剂在PCI患者不同的基线风险使个性化的治疗。此外,候选人的选择变量建模不是不变;例如,所有建模的研究倾向于静态或动态变量。易卜拉欣et al。(84年)没有借的特征变量但专注于临床前研究和蛋白质组标记,包括糖尿病史、尿素氮/肌酐比值,c反应蛋白和骨桥蛋白与阿基风险呈正相关,CD5和七因素负相关。机器学习模型的结果同样可靠,AUC值为0.79 -0.82获得建模与来自889名患者的数据。总之,目前的研究构建一个PCI-AKI预测模型基于机器学习的方法是有前途的,但考虑到全球的广泛实现PCI,对比感应阿基仍然是一个不可避免的临床挑战;因此,需要更多的研究来开发一个模型,可以实现广泛认可NCDR-CathPCI评分系统和可以真正替代系统实现准确和个性化的治疗,以减少心血管疾病患者医疗经济负担(表6)。

Cisplatin-based等实体肿瘤化疗的一线治疗非小细胞肺癌,但它可以很容易地导致肾小管损伤在排泄,导致cisplatin-related阿基(Cis-AKI) (87年,88年)。为了防止Cis-AKI,侵略性或短期补充镁水化治疗临床建议(89年)。然而,Cis-AKI居高不下的发病率,因此早期发现和预测Cis-AKI至关重要的顺铂化疗对患者的管理。根据我们的数据库搜索,只有一个大川在2021年发布的报告介绍了功效Cis-AKI机器学习的预测模型,其中包括1014名肿瘤患者接受顺铂作为一线化疗和排除病例治疗血管造影或动脉内注入顺铂化疗。两个方法,神经网络和梯度提高决策树,被年龄组用于建立模型。结果表明,模型显示,患者年龄≥75岁中性能最高的AUC值0.78,而在模型预测变量的贡献的排名,血清白蛋白水平,身体表面积和最大程度上的每日剂量顺铂的贡献最的预测模型。基于参数的具体值,结果表明,大剂量顺铂(100 - 120 mg /天)和低白蛋白血症(1.30 - -3.10 mg / dL) Cis-AKI在所有患者的危险因素。研究中,尽管有一些缺点,对肿瘤病人的先驱,尤其是其肾毒性治疗化疗药物顺铂等,减少chemotherapy-related并发症非常提高肿瘤患者的生存率的关键。相信更多的类似的研究将在未来,这将带来更多好处的控制副作用AKI-related顺铂等药物或免疫抑制剂(检查站85年)(表6)。

Sodium-glucose转运蛋白两种抑制剂(SGLT2s)是一种新的口服降血糖药与积极的心血管保护作用,但有争议的对肾功能的影响,和一个荟萃分析得出结论,SGLT2s不仅降低慢性肾脏疾病的进展,对阿基也有预防作用。(90年)。然而,几项研究,包括警告美国食品和药物管理局(FDA) (https://www.fda.gov/Drugs/DrugSafety/ucm505860.htm),得出结论,SGLT2s有助于阿基的发展,影响病人的血容量和诱导肾髓损伤(91年,92年)。因此,杨et al。(86年)在2022年使用机器学习的方法建立模型来预测的风险在糖尿病患者接受首次SGLT2s。源数据的基础上,17649年病人的病例信息,该模型使用了随机森林方法和14个预选的变量和AUC值为0.72。本研究不仅是代表罕见的预测分析和严重不良事件,但其风险因子分析也为临床决策优化提供了新思路,如研究的结论,利尿剂对模型的贡献最大,虽然不能确定它有最强的相关性与阿基,它确实说明了药物组合对阿基的影响(表6)。

5。结论

在本文的研究中,我们系统地描述了机器学习AKI的预测模型的研究现状,总结了数据特征、方法特点和现有的结果特征模型,并提供了一个相对全面总结同行研究领域。然而,这是不可避免的,一些研究的方法论的介绍还不够全面,和少量的非英语语言的文章并不包含在分析,这可能漏掉了一些研究成果。总之,阿基是一个全球健康问题,及其对住院患者的短期和长期的副作用非常明显。然而,当前面临的挑战阿基仍然巨大的诊断和治疗,包括及时发现和阿基的早期预测。未来在此基础上,研究机器学习预测模型同样是导演,除了要克服上述问题,增加使用的新生物标记模型培训,邀请更专门的科学方法论的援助和技术团队,并使模型与卫生保健工作的嵌入系统将提供更大的援助在改善阿基的整体诊断和治疗状况。

作者的贡献

所有作者列出了一大笔,直接和知识贡献的工作,批准发布。

资金

这项工作是支持的关键技术创新战场内科疾病的诊断和治疗,战场内科的重要军事学科建设,13个五年计划(没有。A350109),研究老年性尿路功能障碍的风险预警系统,中国国家重点研究和发展项目,14个五年计划(2022号yfc3602903),中国国家自然科学基金(82000631)、北京自然科学基金(7222169)和年轻的精英科学家赞助项目投(YESS20200400)。

确认

作者感谢我们的研究团队的有用的评论回顾手稿。

的利益冲突

作者声明,这项研究是在没有进行任何商业或财务关系可能被视为一个潜在的利益冲突。

出版商的注意

本文表达的所有索赔仅代表作者,不一定代表的附属组织,或出版商、编辑和审稿人。任何产品,可以评估在这篇文章中,或声称,可能是由其制造商,不保证或认可的出版商。

引用