预测急性肾损伤的AI模型有效 但并非没有一些调整

AI模型提前48小时识别急性肾损伤，为临床医生提供充足的时间进行干预和治疗。

2019年，谷歌人工智能子公司DeepMind使用健康管理局的大量患者记录数据集开发了急性肾损伤的预测模型，这是一种潜在的致命疾病，其预后越早进行治疗干预，其预后就越好。

DeepMind模型据称可以提前48小时预测AKI，为临床医生提供充足的准备时间进行干预和管理治疗。

研究小组审查了五年来来自700多万人的电子健康记录数据。

“这是一个非凡的模型，因为它可以连续预测AKI，并且与以前发表的所有模型相比具有最佳的模型性能，”计算医学和生物信息学系博士生Jie Cao说。

Cao是ML4LHS实验室的研究员，该实验室由Karandeep Singh，医学博士，MMSc.运营，学习健康科学系助理教授和生物医学与临床信息学实验室由Kayvan Najarian博士运营，计算医学和生物信息学系教授。他们都是密歇根大学的。

然而，“鉴于训练的主要男性[VA]人群，人们对这种模型的普遍性提出了担忧，”曹补充说。

这导致Cao和她的同事评估了该模型在非VA，性别更平衡的人群中的普遍性。他们的研究结果已发表在Nature Machine Intelligence上。

研究人员重建了DeepMind模型的各个方面，然后在两个队列中训练并验证了该模型：一个队列包括278，813名VA住院患者(来自118家VA医院)，另外165，359名UM住院患者。

毫不奇怪，鉴于开发原始模型的男性人口占94%，重建模型在两个队列中对女性患者的表现更差。

为了减轻该模型基于性别的差异，研究人员使用来自密歇根大学性别平衡的患者群体的数据更新了该模型，将原始模型从160个决策树扩展到170个。这种小的扩展改善了UM队列和性别之间的整体表现。

“扩展模型在密歇根大学取得了成功。它使用VA模型作为骨干，添加了来自UM的信息，最终产品对UM患者群体效果很好，“该论文的第一作者Cao说。

“当研究人员希望从原始模型中包含的丰富信息中受益并且不想从头开始构建新的本地模型时，我们的研究是一个很好的例子，说明当原始模型没有在多样化的人群上训练时，'微调'是如何工作的，”她解释说。

然而，当扩展模型应用于VA患者时，男性和女性之间的模型性能差异实际上恶化了。

“这一发现在某种程度上让我们感到惊讶，”曹说，“但它也是合理的，有助于我们更好地理解问题。患者特征的差异是导致模型性能差异的一个常见因素。通过匹配两个不同卫生系统的女性患者，并且仍然发现模型性能的差异，我们实际上表明患者特征的差异并不是导致模型性能差异的唯一原因。

扩展模型在女性VA患者中的较低表现不是患者特征或样本量低的因素，而是可能归因于VA男性和女性之间实践模式的差异等变量。

总体而言，该研究证明了使用将应用该模型的人口数据更新现有模型的价值。

“如果要将预测模型从一个医疗保健系统中取出并应用于另一个医疗保健系统，则模型所训练的人群通常与它将应用于的人群不同。即使训练群体是多样化的，如果不采取任何措施，我们也可以观察到模型性能下降，“Cao说。“我们的'扩展模型'方法是提供一种解决方案来部分解决这个问题。

为了达到峰值性能，从理论上讲，模型将仅应用于与其训练的人群匹配的群体。但在实践中往往并非如此。

“在现实世界中，”曹说，这种方法“由于资源、时间、专业知识等有限，是不可行的。我们的'扩展模型'策略是这些情况下的解决方法。

Cao说，这项研究意义重大，因为它显示了“亚组中模型性能差异的复杂性，无法简单地根据样本量来解释。它还提供了“缓解普遍性问题的潜在策略”，最后，它展示了“复制和评估人工智能研究的重要性”。