■本报记者 李惠钰

每年，数百万手术病人死于无法预知的并发症，其中一大杀手就是急性肾损伤，这种疾病不仅难以被发现而且往往恶化很快。在英国和美国，急性肾损伤大约影响着五分之一的住院病人。

为了解决这一问题，以AlphaGo打败围棋世界冠军的谷歌旗下人工智能公司DeepMind与美国退伍军人事务部等机构展开了一项合作。DeepMind运用美国退伍军人事务部医疗系统中70多万名患者的数据，训练了一个深度学习系统。使用这个系统，55.8%的急性肾损伤可以在标准临床诊断前48小时被预测。该研究成果日前发表于《自然》杂志。

DeepMind临床主管、论文的共同作者之一Dominic King表示，这项研究是团队迄今为止最大的医疗研究突破，有望帮助并及时发现有病情恶化风险的患者，为早期治疗提供时间窗口。未来每年将有超过十万病人从中获益。

病变前预测获突破

根据美国疾病控制和预防中心的数据，急性肾病每年夺去50万美国患者的生命，最为致命的就是急性肾损伤，而且该病对医生来说非常棘手。因为急性肾损伤最大的特点就是“早期症状隐匿”，由于病人本身就存在原发疾病，所以特别容易被掩盖及被忽视，最终可能导致患者肾功能丧失甚至死亡。

衡量急性肾损伤的一个重要指标是肌酐，这是肌肉在人体内代谢的产物，可反映出肾小球的滤过功能。当肾脏功能出现异常时，肌酐指标会显著升高。研究人员通过分析患者医疗档案中的肌酐指标，通过人工智能系统最早能提前两天预测出55.8%的急性肾损伤发作。与此同时，这一系统还成功地识别出病情严重、需要透析的病人，识别率达90.2%。

“这项研究最主要的突破在于，不仅能够高效地预测到病变问题，而且能够在病变发生前预测到这一状况。”天云大数据首席数据科学家吕慧博士对《中国科学报》说，急性肾损伤主要原因包括缺血、缺氧和肾毒性等，如果能在不可逆的肾损伤发生之前早期预警，将有力地提醒医生为病人提供及时的治疗。

汇医慧影创始人兼CEO柴象飞也对《中国科学报》指出，此项研究最大的特点在于数据量巨大，覆盖的医院数目多。另外，最主要的突破性还体现在方法上的创新，即用RNN（循环神经网络）的方法为电子病历做预测。研究者建立的这个神经网络系统可监测患者的电子病历，处理相关数据，并对相关信息形成记忆。

未来DeepMind希望将这项技术与Streams系统结合起来，形成一种医疗移动助手，可以将患者的病情恶化情况传给医生，以及实现临床团队之间的沟通和医疗信息的审查，从而使他们能够作出更有效的治疗决策。

为预防性治疗铺平道路

此次研究的另一个目标为改进用于检测急性肾损伤的算法，以便让医生和护士可以更快地对患者进行干预性治疗。同时，研究人员也希望将类似的方法应用于导致患者病情恶化的其他病症，从而改善对患者的治疗手段，减少发生严重感染和恶化的患者数量，挽救更多的生命。Dominic King提到，该人工智能模型在未来可以推广到败血症、重大感染等疾病领域。

在通过人工智能来预测患者病情恶化、死亡风险率等方面，国际上早就有过相关研究。吕慧告诉记者，2016年，斯坦福大学的一个团队就选择了约20万名患者作为学习样本，试图开发一种算法，预测包括癌症、神经系统疾病、肾脏衰竭等多种疾病。此外，美国洛杉矶儿童医院还利用RNN机器学习程序，通过医院电子健康记录预测1.2万名PICU患者死亡率等等。这些实验的准确率都很高，都是基于科学的实验样本进行的评估。

吕慧表示，对需要进行早期预防治疗的病变，可以通过人工智能的预测进行介入，避免更侵扰性的治疗，比如脓毒症—— 一种危机生命的感染。在柴象飞看来，人工智能在乳腺癌、肺癌、肺结核、主动脉血管、颈动脉疾病上都有很好的预测能力。

不过，吕慧同时指出，当样本数据不足或者采集的信息不够丰富时，人工智能也会出现较大误差。对于DeepMind发布的这项研究成果，研究人员坦言，现阶段该研究还存在部分局限性，譬如，每个阳性预测结果对应两个假阳性预警。不过，这些假阳性预警多半发生在已有慢性肾损伤的患者身上。此外，由于训练人工智能系统的数据中只有6.38%的女性患者，因此，尚不清楚这一方法在更大群体中的适用性。

另外，该研究也面临着在临床实践中实施人工智能的关键障碍之一 ——算法的黑箱问题。为了解决“黑匣子”，该模型提供了对预测肾功能恶化最重要的临床信息，以及几个相关血液测试，预测未来结果。这些信息可以帮助临床医生了解启用人工智能的警报背后的原因并预测未来患者病情的恶化。

美国斯克利普斯应用科学研究所科学家表示，虽然该研究仍需一系列严谨、坚实的试验来证实，但依然为人们揭示了人工智能系统在预测以及预防住院患者发生不良事件方面的重要作用。吕慧指出，随着互联网的发展，通过多样化的手段获取患者医疗数据，才能够保障未来人工智能在预测疾病上更加精确。

相关论文信息：https://doi.org/10.1038/s41586-019-1390-1