急性腎損傷（AKI） - 腎臟突然無法過濾血液中的廢物 - 可以破壞重症患者的腎臟系統。如果進展超過第2階段，死亡率可接近89％（AKI分爲三個階段）。如果AKI在大腹部手術後發展，則死亡風險增加12倍。
幸運的是，rogress已經用於有助於早期檢測的技術。西北大學和德克薩斯大學健康科學中心的研究人員發表的一篇論文（“ 利用臨牀記錄對重症監護急性腎損傷進行早期預測 ”）描述了一種可以從電子中收集和提取風險因素的人工智能（AI）系統。健康記錄（EHR），並預測重症監護病房（ICU）後24小時內AKI的可能性。
研究人員寫道：“我們開發了數據驅動的預測模型來估計新發生AKI的風險。” “從實際的角度來看，我們的預測模型可用於提醒ICU入院後不久發生AKI的高風險重症患者的臨牀醫生。”
爲了訓練人工智能系統，該團隊從醫療信息中心獲取重症監護III（MIMIC-III）的記錄，這是一個免費提供的重症監護數據庫，其中包含40,000名住在Beth Israel Deaconess醫療中心ICU的患者的匿名健康信息。他們開發了一個腳本，在入住ICU的第一天和72小時血清肌酐水平（尿液中毒性的常用量度）中記錄了年齡，性別，種族和種族以及臨牀記錄，並且排除了沒有醫生記錄的患者和腎功能不全的跡象
總共，他們從14,1470名患者的16,560例ICU住院中編制了77,160份臨牀記錄，分爲兩組：一組用於訓練，另一組用於測試。然後，他們着手建立一個機器學習模型。
需要對數據進行一些預處理以獲得結構化特徵，其中一些涉及利用國家醫學圖書館免費提供的MetaMap工具集來從自由文本臨牀記錄中識別醫學概念。提取的功能以概念唯一標識符（CUI）的形式出現 - 與單詞和術語相關的概念 - 來自統一醫學語言系統（UMLS），生物醫學術語和分類的綜合綱要。
使用五種算法對ICU停留進行分類並從scikit-learn（一種用於Python編程語言的開源機器學習庫）中估計AKI風險。在測試中，研究人員的監督學習分類器在接收器操作特徵（AUC）下達到0.779面積，這意味着它能夠識別具有超過50％的時間發展AKI風險的患者，並且與之前的方法具有精確的“競爭性”。
儘管如此，它並不完美。它錯誤地標記了患者的AKI發病，其患者的圖表包含高度相關的詞，如“胸管”和“不穩定”。在另一個案例中，它未能預測患者後來發展它的AKI。（在後一種情況下，他們注意到數據集中的病人數量不足，條件相似。）
研究人員將繼續研究替代表型系統，臨牀記錄數據庫以及其他患者數據集的驗證。
將AI應用於AKI檢測的另一方是谷歌子公司DeepMind，該公司於2月宣佈與美國退伍軍人事務部合作，該公司獲得了超過700,000份醫療記錄。