白癜风治疗的较好办法 http://m.39.net/pf/a_7082970.html急性肾损伤AKI在住院患者中很常见，尤其是在重症监护室。AKI与短期和长期发病率和死亡率的增加以及医疗资源的使用增加密切相关。根据血清肌酐(SCr)升高或尿量减少对急性肾损伤的一致诊断和分期，从最初的RIFLE和急性肾损伤网络标准到最近的肾病改善全球预后(KDIGO)标准进行了轻微修改。没有具体的治疗被证明可以改变急性肾损伤的病程，管理主要是支持防止进一步恶化。当肾脏不能满足渗透压和液体负荷的要求时，肾功能的逐渐下降、液体超负荷或代谢并发症可以用肾脏替代疗法(RRT)进行治疗。然而，SCr的增加是肾小球滤过率(GFR)潜在下降的晚期和非敏感的标志，在诊断时已经发生了显著的损害。因此，调整治疗以预防急性肾损伤的时间窗很窄。[SCr可作为AKI的诊断标准而不适合于作为预警指标]搜索PubMed所得51份报告进行了分析，并在参考列表中搜索其他相关报告。此外，评估所有相关文章的引用文章。将文章分为入院类型(重症监护室、围手术期或普通病房)和预测结果。只纳入对重症监护室患者和接受大手术患者的模型评估进行详细描述的报告。重症监护室患者相关的共11种急性肾损伤预测模型，6项研究使用SCr来定义AKI，1项研究还包括估计的肾小球滤过率，4项研究同时使用SCr和尿量。基线SCr没有统一确定。一些研究使用入院前天至1天的平均SCr，其他研究使用入院时的SCr，根据改良饮食和肾脏疾病(MDRD)公式反算的SCr，或住院期间测量的任何SCr。3项研究没有报告基线SCr的定义。在报告SCr基线值缺失率的文章中，用MDRD公式反算的SCr百分比为21.8-30.0%。5项研究中预测了在ICU入院后的前24-48小时内AKI的发生，2项研究每15分钟评估一次风险，2项研究每天预测一次，1项研究在ICU入院早期的四个不同时间点进行，1项研究没有报告。5项研究的预测窗为1周，而2项研究在接下来的72小时，1项研究在48小时内，3项研究没有报告它。3个模型在外部队列中得到验证。Malhotra等人的模型，在AKI发病率较高的外部队列中进行了验证，表明人群并不完全可比。尽管两个人群中急性肾损伤的发生率存在差异，但模型在开发和验证队列中的区分度都很好，不过开发和验证样本量都很小。围术期风险模型：大手术经常因AKI而变得复杂，这与短期和长期死亡率和发病率的增加有关；尽管基于KDIGO的AKI诊断通常是在术后的重症监护室或术后监护病房进行的，但在大多数情况下，AKI已经在手术室发生。[以肌酐值作为AKI诊断及分级标准，如果没有基线Scr，无法鉴别AKI2期，而AKI3期为Scr升高至.6umol/l]AKI分级RRT需求的预测：4个模型预测住院患者对RRT的需求。1项研究仅包括重症监护室患者，而在另外两项研究中，分别有20%和30%的患者入住重症监护室，一项研究包括所有住院患者。预测的时间窗从接下来的48小时到入院的总时间不等。模型区分度很好，AUROC在0.82和0.96之间。病死率预测：略。讨论：急性肾损伤通常是由多次暴露于损伤因子引起的，在有合并疾病的患者中更常见。急性肾损伤的风险评估还包括这些当前暴露、年龄、共病、宿主反应、治疗和治疗反应。人工智能可以整合所有参数，可能对AKI预测有价值。已经开发并验证了几种模型来预测重症监护病房和围手术期环境中的急性肾损伤。它们中的大多数在内部验证中显示出良好的区分性和准确性，并且在外部队列中验证的3个模型显示出有希望的结果。然而，人工智能永远无法取代医生，因为机器无法将预测整合到需要权衡的临床决策中。相反，人工智能必须被认为是检测高危患者的快速有效的工具。几个模型可以很准确地预测未来48-72小时的急性肾损伤。预测短期风险的模型(换句话说，更接近AKI开发的窗口)表现更好，但可能短时间内难于改善结果。事实上，如果及早采取行动，采取有效的预防措施，患者可能会从正确的预测中受益，因此需要相当长的时间窗口，以便医生干预并防止病情进一步恶化。机器学习模型是否可以改善结果的问题必须在“影响研究”中进行评估，这是一项随机对照试验，比较了一组获得模型结果的医生和一系列标准护理。按机器学习方法分类在日常实践中实现机器学习模型可能有助于改进算法，因为机器学习允许在存在额外精确信息的情况下提高性能。因此，需要连续输入数据来重新校准模型。由于模型可能高估了医疗保健改善后的风险，因此重新校准会导致持续的准确预测。当一个模型被引入临床实践时，医生必须意识到其中的坑。首先，预测的质量取决于数据的质量(垃圾进，垃圾出)。在临床实践中，数据需要是实时可用的、精选的，并评估其准确性和可靠性，类似于开发和验证期间的可用性。其次，如果模型用于与其建立时相似的人群，那么模型的启动将是最理想的。例如，在退伍*人事务(主要是男性)数据库中生成的算法最初会更频繁地对女性进行错误分类。如果可以获得女性患者的数据，这可以通过重新校准来纠正。这也是为什么模型必须在以前未见过的人群中进行前瞻性验证的原因，理想的情况是在医院中进行验证。此外，预测模型的报告必须总结构建模型的人群的特征，这与医生评估模型是否可用于特定环境非常相关。报告预测模型的建议总结在个体预后或诊断陈述的多变量预测模型的透明报告中。第三，预测结果应根据客观和可测量的判定标准(例如，住院时间、AKI或死亡)进行定义，并应与临床相关。如果预测的结果是医疗干预(如RRT)，医院之间的治疗策略不同时，绩效可能会下降。虽然KDIGO标准根据SCr的升高或尿量的下降来定义AKI，但大多数模型仅使用SCr标准，一些模型使用基线SCr的非标准定义。预测的结果应该与预测因子具有确定的生理学和临床相关性。例如，在预测液体反应性的模型中，尿量的增加被用于评估液体反应性，尽管尿量的这种增加通常不被接受为液体反应性的合适参数。人工智能模型特别有吸引力，因为它们还可以用于预测其他相关的临床结果(例如，急性呼吸窘迫综合征、心力衰竭、肝衰竭、休克)，甚至特定治疗的效果。根据1项调查，这种预测可能向临床医生提出潜在的成功治疗，这将增加机器学习模型的临床适用性。第四，已经对这种AKI嗅探器的警告阈值和警报方法进行了充分的研究，高灵敏度的好处必须与低阳性预测值导致的报警疲劳风险相权衡。急性肾损伤预测模型经常与实验室生物标志物进行比较。众所周知，AKI预测生物标志物的性能在不同人群中有所不同，在高危人群中可能更准确。与生物标记测试相比，机器学习模型可以用于连续预测急性肾损伤，而不需要额外的成本。这种持续的风险评估可能会发现那些需要进一步生物标志物检测的高危患者。需要进一步的研究来评估AKI生物标志物在通过机器学习算法识别的高危患者中的表现。结论：人工智能在医学上的应用越来越多。大型重症监护室数据库用于为急性肾损伤和其他结果建立机器学习预测模型。虽然几个小组已经开发出了性能可以接受的模型，但是现在是时候将这些模型提升到一个新的水平了。前瞻性外部验证是前瞻性干预试验能够证明临床影响之前的第一个必要步骤。人工智能模型在预防急性肾损伤和开发新的治疗方法方面具有巨大的潜力。预览时标签不可点收录于话题#个上一篇下一篇