急性肾损伤（AKI）是一种肾脏突然无法过滤血液中的废物的情况，可能会破坏危重病人的肾脏系统。如果超过第二阶段（AKI分为三个阶段），死亡率可接近89%。如果在腹部大手术后发生，死亡的风险会增加12倍。

幸运的是，在开发有助于早期检测的技术方面取得了进展。西北大学和德克萨斯大学健康科学中心的研究人员发表了一篇论文，“Early Prediction of Acute Kidney Injury in Critical Care Setting Using Clinical Notes”描述了一种AI系统，可以从电子健康记录（EHRs）中收集和提取风险因素，并预测重症监护后24小时内AKI的可能性。

研究人员写道：“我们开发了数据驱动的预测模型来估计新发生AKI的风险。从实际的角度来看，我们的预测模型可用于提醒ICU入院后不久发生AKI的高风险重症患者的临床医生。”

为了训练AI系统，该团队从医疗信息中心获取重症监护III（MIMIC-III）的记录，这是一个免费提供的重症监护数据库，其中包含在贝斯以色列女执事医疗中心住在ICU的40,000多名患者的匿名健康信息。他们开发了一个描述年龄，性别，种族和民族的脚本，以及ICU入院第一天的临床记录，入院后72小时血清肌酐水平（尿液中毒性的常用量度）。它排除了没有医生记录和肾功能不全症状的患者。

他们从14,1470名患者的16,560例ICU住院中收集了77,160份临床记录，分为两组：一组用于训练，另一组用于测试。然后他们着手建立一个机器学习模型。

数据需要进行一些预处理以获得结构化特征，其中一些涉及利用国家医学图书馆免费提供的MetaMap工具集来从自由文本临床记录中识别医学概念。提取的功能以概念唯一标识符（CUI）的形式出现，它与来自统一医学语言系统（UMLS）的单词和术语相关联，这是一个生物医学术语和分类的综合汇编。

然后团队使用五种算法对ICU停留进行分类，并从scikit-learn（一种用于Python编程语言的开源机器学习库）中估计AKI风险。在测试中，研究人员的监督学习分类器在接收器操作特征（AUC）下达到0.779的面积，这意味着它能够以超过50%的精度识别有AKI风险的患者，精确度优于之前的算法。

尽管如此，它并不完美。它有时错误地标记患者的AKI发作，其患者的图表包含高度关联词，例如“胸管”和“心境不稳定”。在另在另一个病例中，它未能预测到后来发展成AKI的患者的情况（在后一种情况下，他们注意到数据集中没有足够的患者具有类似的情况）。

研究人员将继续研究可替代的表现分析型系统，临床注释数据库以及使用其他患者数据集进行验证。

论文：arxiv.org/pdf/1811.02757.pdf