摘要
病情恶化的早期预测可能在支持医疗保健专业人员方面发挥重要作用，因为估计11%的医院死亡是由于未能及时发现和治疗病情恶化的患者1．为了实现这一目标，需要对患者风险进行持续更新和准确的预测，并在个人层面上提供足够的背景和足够的时间来采取行动。在这里，我们开发了一种深度学习方法，用于对患者未来病情恶化的持续风险预测，这是基于最近从电子健康记录中建模不良事件的工作2，3.，4，5，6，7，8，9，10，11，12，13，14，15，16，17以及使用急性肾损伤——一种常见且可能危及生命的疾病18——作为一个范例。我们的模型是在覆盖不同临床环境的大型纵向电子健康记录数据集上开发的，包括172个住院和1062个门诊站点的703,782名成年患者。我们的模型预测了55.8%的急性肾损伤住院患者发作，90.2%的急性肾损伤需要随后进行透析治疗，提前时间高达48小时，假警报与真警报的比率为2比1。除了预测未来的急性肾损伤外，我们的模型还提供了置信度评估和每个预测最显著的临床特征列表，以及临床相关血液测试的预测未来轨迹9．虽然急性肾损伤的识别和及时治疗是具有挑战性的，但我们的方法可能为在时间窗口内识别有风险的患者提供机会，从而实现早期治疗。
这是订阅内容的预览，通过你所在的机构访问
相关的文章
引用本文的开放获取文章。
识别和评估在重症监护病房实施机器学习的障碍
通信医学开放获取2022年12月21日
人工智能预测围手术期急性肾损伤:诊断测试准确性的系统回顾和meta分析
BMC肾脏学开放获取2022年12月19日
来自电子健康记录的密集表型使得基于机器学习的早产预测成为可能
BMC医学开放获取2022年9月28日
访问选项
订阅《自然》+
立即在线访问《自然》和其他55种《自然》杂志
29.99美元
每月
订阅期刊
获得1年的完整期刊访问权限
199.00美元
每期仅需3.90美元
所有价格均为净价格。
增值税稍后将在结帐时添加。
税务计算将在结账时完成。
买条
在ReadCube上获得时间限制或全文访问。
32.00美元
所有价格均为净价格。
数据可用性
用于训练、验证和测试集的临床数据在美国退伍军人事务部收集，并以去识别格式传输到一个安全的数据中心，该数据中心具有严格的访问控制。数据的使用具有本地和国家权限。它不是公开的，使用也有限制。去识别的数据集(或测试子集)可以从美国退伍军人事务部获得，但须经当地和国家伦理批准。
代码的可用性
我们使用了几个开源库来进行实验:机器学习框架TensorFlow (https://github.com/tensorflow/tensorflow)以及TensorFlow库Sonnet (https://github.com/deepmind/sonnet)，它提供了各个模型组件的实现58．我们的实验框架使用了专有的库，我们无法公开发布这些代码。文中详细介绍了实验和实现的细节方法而且补充信息允许独立复制。
参考文献
汤姆森，R.，吕特尔，D.，希利，F. &斯考比，S.。急性病人的安全护理:从严重事故中学习(国家患者安全机构，2007)。
Henry, K. E, Hager, D. N, Pronovost, P. J. & Saria, S.感染性休克的目标实时早期预警评分(TREWscore)。科学。Transl。地中海．7， 299ra122(2015)。
Rajkomar, A.等人。可扩展和精确的深度学习与电子健康记录。npj数字。地中海．1， 18(2018)。
Koyner, J. L, Adhikari, R.， Edelson, D. P. & Churpek, M.多中心病房AKI预测模型的开发。中国。j。Soc。Nephrol．11， 1935-1943(2016)。
程鹏，魏特曼，刘敏，胡艳，刘敏，预测住院急性肾损伤在不同时间范围:多早和准确?在AMIA年度研讨会论文集565(美国医学信息协会，2017)。
Koyner, J. L.， Carey, K. A.， Edelson, D. P. & Churpek, m.m.机器学习住院患者急性肾损伤预测模型的开发。暴击。保健医疗．46， 1070-1077(2018)。
Komorowski, M, Celi, l.a.， Badawi, O, Gordon, a.c. & Faisal, a.a.人工智能临床医生在重症监护中学习脓毒症的最佳治疗策略。地中海Nat。．24， 1716-1720(2018)。
阿瓦蒂，A.等。用深度学习改善姑息治疗。在2017 IEEE生物信息学与生物医学国际会议311 - 316(2017)。
Lim, B. & van der Schaar, M.疾病图谱:用深度学习导航疾病轨迹。Proc。马赫。学习。Res．85， 137-160(2018)。
Futoma, J.， Hariharan, S. & Heller, K. a .学习用多任务高斯过程RNN分类器检测败血症。在机器学习国际会议(eds Precup, D. & Teh, Y. w) 1174-1182(2017)。
Miotto, R.， Li, L.， Kidd, B. A. & Dudley, J. T.深度患者:从电子健康记录预测患者未来的无监督表示。科学。代表．6， 26094(2016)。
Lipton, Z. C.， Kale, d.c.， Elkan, C. & Wetzel, R.学习用LSTM循环神经网络进行诊断。预印在https://arxiv.org/abs/1511.03677(2016)。
程永平，王飞。基于深度学习的电子病历风险预测方法。在SIAM数据挖掘国际会议(文卡萨布拉曼尼亚，S. C. &梅里亚，W.) 432-440(2016)。
苏莱马尼，H.， Subbaswamy, A. & Saria, S.连续时间，连续价值干预的反事实推理的治疗-反应模型。在第三十三届会议议程人工智能的不确定性(AUAI出版社科瓦利斯，2017)。
Alaa, a.m.， Yoon, J.， Hu, S. & van der Schaar, M.使用混合高斯过程专家对重症监护预后进行个性化风险评分。IEEE反式。生物医学。Eng。65， 207-218(2018)。
Perotte, A.， Ranganath, R.， Hirsch, J. S.， Blei, D. & Elhadad, N.使用异构电子健康记录数据和时间序列分析对慢性肾脏病进展的风险预测。j。地中海,通知。协会．22， 872-880(2015)。
Bihorac, A.等人。mysurgyrisk:开发和验证用于手术后主要并发症和死亡的机器学习风险算法。安。杂志．269， 652-662(2019)。
KDIGO急性肾损伤临床实践指南。肾元中国。Pract．120， c179-c184(2012)。
Stenhouse, C.， Coates, S.， Tivey, M.， Allsop, P. & Parker, T.对改良预警评分的前瞻性评价，以帮助在普通外科病房早期发现发展为危重疾病的患者。Br。j . Anaesth．84663p(2000)。
Alge, J. L. & Arthur, J. M. AKI的生物标志物:机制相关性和潜在治疗意义的综述。中国。j。Soc。Nephrol．10， 147-155(2015)。
王海娥，芒特纳，P.， Chertow, g.m. & Warnock, d.g .住院患者急性肾损伤与死亡率。点。j . Nephrol．35， 349-355(2012)。
NCEPOD关于急性肾损伤的报告——必须做得更好。《柳叶刀》374， 1405-1406(2009)。
Lachance, P.等人。应用电子警报检测急性肾损伤与预后之间的关系:一项系统综述。Nephrol。拨号。移植．32， 265-272(2017)。
约翰逊，a.e.w.等人。重症监护中的机器学习和决策支持。IEEE电气研究所。电子英格．104， 444-466(2016)。
Mohamadlou, H.等人。使用电子健康记录数据的机器学习算法预测急性肾损伤。可以。J.肾脏健康．5， 1-9(2018)。
潘，Z.等。一种自我纠正的深度学习方法，用于预测重症监护中的急性情况。预印在https://arxiv.org/abs/1901.04364(2019)。
Park, S.等人。电子急性肾损伤(AKI)警报与自动肾科医生会诊对AKI的检测和严重程度的影响:一项质量改进研究。点。J.肾病．71， 9-19(2018)。
陈，我，约翰逊，f.d. &桑塔格，D.为什么我的分类器是歧视性的?预印在https://arxiv.org/abs/1805.12002(2018)。
Schulam, P. & Saria, S.使用反事实模型的可靠决策支持。在神经信息处理系统研究进展(Guyon, I. et al.) 1697-1708(2017)。
特伦蒂，A.，斯坦胡布尔，S. R. &托波尔，E. J.重新思考医疗记录。《柳叶刀》391， 1013(2018)。
退伍军人事务部。退伍军人健康管理局:为退伍军人提供医疗保健．https://www.va.gov/health/(2018年11月9日访问)。
Razavian, N. & Sontag, D.用于实验室测试诊断的时间卷积神经网络。在4日Int。相依之学。表示(2016)。
Zadrozny, B. & Elkan, C.将分类器分数转换为准确的多类概率估计。在第八届ACM SIGKDD知识发现和数据挖掘国际会议(eds, Zaïane, o.r.等)694-699 (ACM, 2002)。
Zilly, J. G. Srivastava, R. K.， Koutník, J. & Schmidhuber, J.循环公路网。在机器学习国际会议(第70卷)(eds Precup, D. & Teh, Y. W.) 4189-4198(2017)。
何克瑞特，史密德胡伯，J.长短期记忆。神经第一版．9， 1735-1780(1997)。
Collins, J. Sohl-Dickstein, J. & Sussillo, D.递归神经网络的容量和可训练性。在学习表征国际会议(本吉奥，Y. & LeCun, Y.)https://openreview.net/forum?id=BydARw9ex(2017)。
白伯利，熊志强，熊志强。准递归神经网络。在学习表征国际会议(本吉奥，Y. & LeCun, Y.)https://openreview.net/forum?id=H1zJ-v5xl(2017)。
Lei T. & Zhang Y.训练rnn和cnn一样快。预印在https://arxiv.org/abs/1709.02755v1(2017)。
钟J, Gulcehre, C.， Cho K. & Bengio, Y.门控递归神经网络序列建模的经验评价。预印在https://arxiv.org/abs/1412.3555(2014)。
格雷夫斯，A，韦恩，G.和丹尼赫尔卡，I.神经图灵机。预印在https://arxiv.org/abs/1410.5401(2014)。
Santoro, A.， Bartunov, S.， Botvinick, M.， Wierstra, D. & Lillicrap, T.使用记忆增强神经网络的元学习。在机器学习国际会议(巴尔坎，M. F.和温伯格，K. Q.) 1842-1850(2016)。
格雷夫斯等人。使用动态外部存储器的神经网络的混合计算。自然538， 471-476(2016)。
Santoro, A.等人。关系递归神经网络。在神经信息处理系统研究进展(eds Bengio, S. et al.) 7310-7321(2018)。
卡鲁阿纳，R.，巴鲁贾，S. &米切尔，T. in神经信息处理系统研究进展(Mozer, M. et al.) 959-965(1996)。
Wiens, J.， Guttag, J. & Horvitz, E.具有时变参数的患者风险分层:多任务学习方法。j·马赫。学习。Res．17， 1-23(2016)。
丁德勇等。多任务学习在电子健康记录数据显型中的有效性。预印在https://arxiv.org/abs/1808.03331v1(2018)。
gloria, X. & Bengio, Y.理解训练深度前馈神经网络的难度。在人工智能与统计国际会议(第9卷)(Tehand, Y. W. & Titterington, M.) 249-256(2010)。
金玛，D. P.和Ba . J.亚当:随机优化方法。在学习表征国际会议(本吉奥，Y. & LeCun, Y.)https://dblp.org/rec/bib/journals/corr/KingmaB14(2015)。
郭春华，孙勇，郭志强。现代神经网络的标定。在机器学习国际会议(eds Precup, D. & Teh, Y. W.) 1321-1330(2017)。
普拉特，j.c.大裕度分类器的研究进展(编辑斯莫拉，A.等人)61-74(麻省理工学院出版社，1999)。
用概率表示的预测的验证。我的财富。牧师．78， 1-3(1950)。
Niculescu-Mizil, A. & Caruana, R.用监督学习预测良好概率。在机器学习国际会议(eds Raedt, L. D. & Wrobel, S.) 625-632 (ACM, 2005)。
Saito, T. & Rehmsmeier, M.在不平衡数据集上评估二元分类器时，精度-召回图比ROC图更有信息。《公共科学图书馆•综合》10， e0118432(2015)。
埃夫隆，B. & Tibshirani, R. J.;Bootstrap介绍(CRC, 1994)。
曼恩，H. B.和惠特尼，D. R.对两个随机变量中的一个是否随机大于另一个的检验。安。数学。统计．18， 50-60(1947)。
Lakshminarayanan, B. Pritzel, A. & Blundell, C.使用深度集成进行简单且可扩展的预测不确定性估计。在神经信息处理系统研究进展(Guyon, I. et al.) 6402-6413(2017)。
德福，J.等。深度学习在视网膜疾病诊断和转诊中的临床应用。地中海Nat。．24， 1342-1350(2018)。
阿巴迪，等人。Tensorflow:异构分布式系统上的大规模机器学习。预印在https://arxiv.org/abs/1603.04467(2015)。
确认
我们感谢美国退伍军人事务部照顾的退伍军人及其家属。我们感谢A. Graves、O. Vinyals、K. Kavukcuoglu、S. Chiappa、T. Lillicrap、R. Raine、P. Keane、M. Seneviratne、A. Schlosberg、O. Ronneberger、J. De Fauw、K. Ruark、M. Jones、J. Quinn、D. Chou、C. Meaden、G. Screen、W. West、R. West、P. Sundberg以及谷歌AI团队J. Besley、M. Bawn、K. Ayoub和R. Ahmed。最后，我们感谢美国退伍军人事务部的许多医生、管理人员和研究人员，他们致力于数据收集，以及DeepMind团队的其他成员的支持、想法和鼓励。G.R.和H.M.得到了伦敦大学学院和伦敦大学学院医院国家卫生研究所(NIHR)生物医学研究中心的支持。所表达的观点是这些作者的观点，不一定是NHS、NIHR或卫生部的观点。
作者信息
作者及隶属关系
贡献
理学硕士、肺结核,李鸿源J.R.L,齿数,花旗集团(C.N:行情,d.h和水银血压计启动该项目。齿数,X.G H.A。主导者——,J.R.L,花旗集团(C.N:行情,C.R.B.伙夫创建数据集。n.t.， x.g.， a.s.， h.a.， J.W.R, M.Z, a.m.， I.P.和S.M.对软件工程做出了贡献。齿数,X.G点,J.W.R, M.Z,其子as, C.B。S.M J.R.L.和c。分析结果。齿数,X.G点,J.W.R, M.Z,其子as, H.A。,李鸿源,C.O.H, C.R.B,结核病,花旗集团(C.N:行情,克里和J.R.L.导致整个实验设计。n.t.， X.G, a.m.， J.W.R, M.Z, S.R.和S.M.设计了模型架构。J.R.L,广义相对论,h.m.部件,交流,C.O.H, a.k.位和灯光造成的临床专业知识。a.m.、n.t.、M.Z.和J.W.R.对模型可信度的实验做出了贡献。M.Z, N.T, a.s.， A.M.和j.w.r对模型校准有贡献。n.t.， M.Z, a.m.， a.s.， X.G.和J.R.L.对假阳性分析有贡献。 N.T., X.G., A.M., J.W.R., M.Z., A.S., S.R. and S.M. contributed to comparison of different architectures. N.T., A.M., X.G., A.S., M.Z., J.R.L. and S.M. contributed to experiments on auxiliary prediction targets. A.M., N.T., X.G., M.Z., A.S., J.R.L. and S.M. contributed to experiments into model generalizability. M.Z., A.M., N.T., T.B. and J.R.L. contributed to subgroup analyses. J.W.R., N.T., A.S., M.Z. and S.M. contributed to ablation experiments. N.T., A.S. and J.R.L. contributed to experiments into how to handle renal replacement therapy in the data. J.W.R., X.G., N.T., A.M., A.C., C.N., K.P., C.R.B., M.Z., A.S. and J.R.L. contributed to analysing salient clinical features. A.M., M.Z. and N.T. contributed to experiments into the influence of data recency on model performance. C.M., S.M., H.A., C.N., J.R.L. and T.B. managed the project. N.T., J.R.L., J.W.R., M.Z., A.M., H.M., C.R.B., S.M. and G.R. wrote the paper.
相应的作者
道德声明
相互竞争的利益
G.R, H.M.和c.l都是DeepMind的承包商。两位作者没有其他竞争利益需要披露。
额外的信息
出版商的注意:施普林格自然对出版的地图和机构从属关系中的管辖权主张保持中立。
同行评审信息自然感谢Lui G. Forni、Suchi Saria和Eric Topol对本工作的同行评审所作的贡献。
扩展的数据图形和表格
扩展数据图1电子健康记录数据的顺序表示。
每个患者可用的所有电子健康记录数据都被组织成住院和门诊事件的连续历史，以6小时为单位，在这里用圆圈表示。在每个24小时的时间段内，没有记录时间的事件被包括在第5个区块中。除了当前时间步长的数据外，模型还可选择接收前48小时的嵌入以及6个月或5年的更长的历史。
扩展数据图2所提模型的体系结构。
在L1-正则化深度残差嵌入组件，无需预训练即可学习端到端最佳数据表示。
图4假阳性预测分析。
一个对于在48小时内以33%的精度预测任何AKI，近一半的预测是在AKI已经发生(橙色柱状)或早于48小时(蓝色柱状)之后进行的。直方图显示了用于预测的这些尾随和早期假阳性的分布。不正确的预测被映射到他们最近的AKI发作之前或之后(以更接近者为准)，如果该发作发生在入院中。在±1天内，15.2%的假阳性对应于预测后1天内观察到的AKI事件(模型反应过早)，2.9%对应于预测前1天内观察到的AKI事件(模型反应过晚)。b，所有假阳性警报的亚组分析。除了49%的假阳性警报是在至少有一次AKI发作的入院期间发出的，其余许多假阳性警报是在现有电子健康记录数据中有临床危险因素证据的患者中发出的。这些危险因素显示在这里的拟议模型，预测未来48小时内发生的任何阶段的AKI。
补充信息
补充信息
补充的部分a - k，包括补充图1-12和补充表1-12。补充A部分:补充图显示了从预测模型中系统选择的五个成功案例和五个系统选择的失败案例的可视化示例。补充部分B:辅助数值预报任务的补充分析。补充C部分:从实验中对基于遮挡分析的训练模型中个体特征的重要性进行额外分析。补充D部分:补充的结果和方法，从广泛的比较可用模型的AKI预测任务。补充E部分:将我们的模型的性能与临床医生选择的与建模肾功能相关的特征进行训练的基线模型进行比较。补充部分F:文献综述的结果是AKI的风险预测和机器学习在电子健康记录。补充部分G:补充分析和研究的患者人群的个别亚组的结果。补充部分H:补充分析数据近代性对模型性能的影响。补充第一节:分析模型设计各方面对其整体性能的贡献，通过去除模型的特定组件的烧蚀研究，充分训练它，然后在验证集上比较简化模型的PR AUC。补充部分J:方法部分中描述的超参数扫描的补充方法和结果。补充K部分:从实验中进一步分析模型置信度和预测精度之间的关系。
补充数据
此文件包含补充图1的源数据。
权利和权限
关于本文
引用本文
托马捷夫，N.，格洛洛特，X.，雷，J.W.et al。持续预测未来急性肾损伤的临床应用方法。自然572， 116-119(2019)。https://doi.org/10.1038/s41586-019-1390-1
收到了：
接受：
发表：
发行日期：
DOI：https://doi.org/10.1038/s41586-019-1390-1
这篇文章被引用
开发了中西医结合中肝毒性化合物的人工智能筛选方法
中药(2022)
推进人工智能辅助脆性X染色体综合征的预筛查
BMC医学信息学与决策(2022)
可解释的循环神经网络模型用于动态预测重症监护室有创机械通气患者拔管失败的风险
个人经历矿业(2022)
心脏手术后急性肾损伤预测:基于中国电子健康记录数据集的模型开发
转化医学杂志(2022)
来自电子健康记录的密集表型使得基于机器学习的早产预测成为可能
BMC医学(2022)
