文献学习—基于重症患者尿量变化趋势连续预测严重AKI

背景

ICU经常出现的AKI与高死亡率相关。AKI的早期预测至关重要。

方法

这项研究的目的是确定两种模型在预测AKI方面的准确性。将基于尿液排出趋势的深度学习模型与Logistic回归模型进行了比较。分析了两个回顾性数据集，包括35573例ICU患者。

两项独立的分析均以患者按理想体重(ml/h/kg)归一化的小时尿量为起点，根据Devine公式(见附录)[13]计算。对于没有AKI发作(2次或3次)的患者，时间序列完全使用从进入ICU到出院或死亡。标记为“病例”的AKI发作(2次或3次)患者的时间序列在事件发生前6小时被截断，以确保至少在事件发生前6小时进行预测。数据被分成训练集、验证集、校准集和测试集，因此来自特定患者的信息只出现在一个片段中。

连续12小时的小时尿量记录序列被用作我们深度学习模型的输入。该模型的输出对应于预测后第6小时开始发生AKI 2/3期的概率。在ICU住院期间，风险概率每小时更新一次(图3)。使用迭代方法在10个随机选择的训练集上训练模型。利用验证集对模型进行改进，选择最佳模型。图2窗口大小为12对应的特征提取示例。对范围(2-12)内的所有窗口大小重复此过程，从而获得11个特征架构和超参数。为评价其性能，随机选取100个独立测试集，结果取平均值。深度学习模型核心由卷积神经网络(cnn)的堆叠和并行层组成，每层之间有高速公路连接。使用深度架构的主要优势在于它能够自动从原始数据中提取特征，并理解哪些对解决特定问题有用。我们从广泛的替代架构中选择了卷积神经网络，因为它具有与时间序列分类问题匹配的能力[14]。该网络对原始时间序列进行处理，采用适当的层类型和层组合，能够提取出数据中突出的、具有代表性的特征，增强学习能力。

结果

深度学习模型的AUC为0.89（±0.01），灵敏度= 0.8，特异性= 0.84，高于逻辑回归模型。深度学习模型能够在发病前12小时以上预测88％的AKI病例：通过深度学习模型确定的每6名有AKI风险的患者中，就有5人经历了该事件。相反，该模型认为没有风险的每12例患者中就有2例发生AKI。

结论

总之，通过使用尿液排出量趋势，深度学习分析能够提前12小时以上预测AKI发作，并且比传统的尿液排出量阈值具有更高的准确性。我们建议将此算法集成到ICU中，以更好地管理并可能预防AKI发生。

数据随机分为四组。训练集包含60％的数据，用于模型观察和提取有用的信息（训练阶段）。验证集（占总数据的10％）用于在训练阶段优化模型的参数，而包含总数据的20％的测试集用于评估训练后的模型的性能。最后的10％（校准集）用于模型校准。

针对范围（2-12）内的所有窗口大小重复此过程，从而获得11个特征。从而数据化尿路变化趋势。

DL的AUC为0.89，LR为0.85。

AKI预测模型会产生0到100的连续评分，代表出现AKI风险的可能性。所有高于70％的分数表示高风险，而低于70％的分数表示低风险。该分数与每小时的尿量并不严格相关，而是深度学习模型进行的更复杂计算的结果，该模型提供了前12小时的尿量趋势。图中显示了一个示例， 在患者入ICU后12小时给出了风险评分。AKI 2期和3期的患者的尿液排出趋势的示例（蓝色实线）和预测模型输出的示例（绿色实线）。红色水平线对应触发警报的阈值。