學(xué)者網(wǎng)
論文Developing Machine Learning-driven Acute Kidney Injury Predictive Models Using Non-Standard EMRs in Resource-Limited Settings， 于2025年12月發(fā)表 于Top期刊 Medical Physics(JCR 1區(qū))。https://aapm.onlinelibrary.wiley.com/doi/10.1002/mp.70038
相關(guān)工作由華南理工大學(xué)與美國內(nèi)華達(dá)大學(xué)、廣東省人民醫(yī)院、廣東易生活科技有限公司、浙江省人民醫(yī)院、上海市第九人民醫(yī)院、安微醫(yī)科大學(xué)附二院、吉林大學(xué)附二院等14家醫(yī)院攜手合作，歷經(jīng)5年研究完成。
摘要：
急性腎損傷（AKI）全球高發(fā)，對中低收入國家（LMICs）沖擊尤甚。現(xiàn)有AKI預(yù)測模型依賴血肌酐（SCr）檢測和標(biāo)準(zhǔn)化電子病歷（EMR），而這些在LMICs常難獲得；且無法融合非標(biāo)準(zhǔn)EMR數(shù)據(jù)，進(jìn)一步限制其全球適用性。我們開發(fā)了一款機(jī)器學(xué)習(xí)模型，旨在彌合高收入國家與LMICs在AKI診斷與管理上的差距。該模型僅利用生命體征及易獲取的臨床檢驗(yàn)數(shù)據(jù)，即使在資源受限情境下也能提升患者照護(hù)。借助Light Gradient Boosting Machine算法，我們從非標(biāo)準(zhǔn)EMR中提煉關(guān)鍵信息，無需反復(fù)檢測SCr。模型經(jīng)真實(shí)世界數(shù)據(jù)集驗(yàn)證，適用于不同醫(yī)療場景與人群。它成功擺脫了對重復(fù)SCr測量、標(biāo)準(zhǔn)化EMR以及資源匱乏地區(qū)真實(shí)世界驗(yàn)證的依賴，可在24、48、72小時(shí)前獨(dú)立預(yù)測AKI發(fā)生，完全不依賴SCr特征。模型僅從非標(biāo)準(zhǔn)EMR中提取關(guān)鍵特征，即便數(shù)據(jù)稀缺、缺失連續(xù)SCr檢測，仍能精準(zhǔn)預(yù)測AKI。本研究標(biāo)志著面向LMICs的AKI機(jī)器學(xué)習(xí)預(yù)測取得重大進(jìn)展；其駕馭非標(biāo)準(zhǔn)EMR數(shù)據(jù)的能力及真實(shí)世界驗(yàn)證，確保了廣泛適用性。該研究首創(chuàng)排除SCr特征、僅利用非標(biāo)準(zhǔn)EMR實(shí)現(xiàn)個(gè)體化AKI診斷，為資源有限環(huán)境下的機(jī)器學(xué)習(xí)AKI預(yù)測開辟了新路徑。
關(guān)鍵詞：住院患者；急性腎損傷；早期預(yù)測；Light梯度提升機(jī)；非標(biāo)準(zhǔn)病歷；中低收入國家；資源受限環(huán)境
評論 0