器官损伤总是不易察觉，往往会因此错过最佳治疗时机。基于人工智能的新方法能持续监测病人的健康数据并及时预测即将发生的肾脏损伤。

　　在美国的医院中，急性肾功能损伤的发病率高达20%[1]，包括异常血压和血容量等多种因素都会诱发这种十分普遍的病症。但目前医疗界却缺乏有效的手段来预测病人是否会发生以及何时会发生急性肾损伤。目前对于高危病人的临床处理手段是每天检测血液中的肌酸酐浓度，浓度过高就意味着肾功能出现了问题。

　　近日，来自DeepMind等多个机构的研究人员[2]提出了一种基于人工智能的新方法，能够有效预测病人即将发生的肾功能损伤。相较于传统方法，这种新方法可以提前一到两天检测出大部分病人的肾脏损伤的发生风险。由于肾脏损伤往往在最后阶段才被察觉，此时肾脏已经发生不可逆的损害，严重时将会留下需要暂时或长期透析的后遗症，甚至引起病人的死亡。对于肾脏损伤的早期检测方法将为有效的临床治疗赢得宝贵的时间。

　　深度学习作为近年来发展最快的人工智能方法，可以有效识别出数据中隐含的与特定结果相关的模式。在这一研究中，研究人员利用深度学习的方法来检测急性肾损伤。训练深度学习算法需要大量的数据，研究人员从美国退伍军人事务部（US Department of Veterans Affairs，为美国退伍军人及其家属提供服务）负责运营的172家医院和1062家门诊中，收集了超过70万例成年病例的数据（2011年-2015年）。这些经过匿名处理的数据为研究人员提供了人口统计信息、电子健康档案、化验结果、药物处方和过往治疗记录等数据。论文的第一作者Tomaev和同事们从数据中整理出了约60亿个数据点和60多万个记录特征，他们选择了一种被称为循环神经网络的深度学习方法来处理时序数据并对计算机进行训练，这种方法在深度学习领域被证明非常适合处理时序数据。

　　在训练完成后，研究人员利用事先分离出的独立数据集对算法的有效性进行了测试。基于测试数据，计算机将生成接下来48小时内连续的概率值来追踪每个病人随时间推移发生急性肾损伤的可能性。如果预测的概率值超过一定阈值，这个预测结果将被标记为阳性（如图一所示）。病人后续是否被检查出病情则会验证算法的预测精度。该模型同时还提供了预测概率值的不确定性，为医生提供了评估预测信号的强度指标。

图一：预测肾功能障碍的结果。图a表示Tomaev 团队提出的方法可以给出急性肾损伤的预警信号。研究人员利用人工智能中的深度学习方法来训练计算机从数据中检测与后续肾损伤相关的模式。研究人员利用这种算法来分析过往的医疗数据，包括电子健康档案和化验结果等等。计算机分析某个病人的历史数据后，将生成接下来48小时内的连续概率值，对应病人发生急性肾功能损伤的可能性。如果概率超过一定阈值，预测结果将被标记为阳性，并向医生发出警报（红点）。图b则表示检测病人肾功能的常规手段：每日监测血液中的肌酸酐。在此假设场景下，Tomaev团队的研究方法将提供比传统方法更早的预警信号，为医生和病人赢得了宝贵的治疗时间。