在重症监护室通过整合药物特征提升急性肾损伤预测
内容提要
该文综述基于电子病历与深度学习的临床预测研究，涵盖：以血清肌酐和MLP预测住院急性肾损伤风险（AUROC 0.92）；用记忆网络识别急性肾损伤的三种亚表型；通过因果建模估计ICU万古霉素致肾损伤概率下界；以知识图谱嵌入预测药物相互作用；用AKI-BERT实现早期预测；融合知识图谱与ICU数据提升决策并增强可解释性；用图卷积网络预测重返ICU风险；开发可解释死亡预测模型AICare；提出结合知识图谱与文献的DeepEIK框架；用LSTM和CNN预测ICU侵入性干预。
延伸解读
从单一指标到多模态融合的演进
文章梳理的预测方法呈现明显演进：早期仅用血清肌酐和MLP即达AUROC 0.92，但作者指出需改进网络架构处理缺失门诊数据；后续研究引入非结构化电子病历发现三种亚表型，或融合知识图谱与ICU数据以应对数据缺失。这说明提升AKI预测的关键不只是换更强模型，还在于补充信息源和处理缺失机制。
因果建模与预测模型的定位差异
万古霉素致肾损伤研究采用目标试验仿真和机器学习估计个体化治疗效果，输出的是因果概率下界，并与医学专家定性估计比较。这与以AUROC衡量的风险预测不同：前者试图回答药物不良事件因果问题，后者侧重识别高风险患者。文章也强调因果模型仍有重要局限，未来或可为药物安全监测提供数据支持。
可解释性贯穿多个ICU应用场景
在知识图谱与ICU数据整合的工作中，文章专门设置可解释性组件以了解知识图谱节点对预测的影响；AICare能明确识别每位患者的关键特征；侵入性干预预测则通过特征遮盖等方法提高解释性。可见在重返ICU、死亡预测和干预规划等任务中，研究者不仅追求性能，也关注模型依据是否可被临床理解。
Q&A
如何利用血清肌酐数据预测住院患者发生急性肾损伤的风险？
使用血清肌酐作为唯一特征，采用多层感知器（MLP）和循环神经网络来估计住院期间发生急性肾损伤的风险。实验结果显示，MLP模型处理sCr的总和具有最佳性能：AUROC为0.92，AUPRC为0.70。预计还需要通过改进网络架构来处理缺失的门诊数据。
急性肾损伤有哪些亚表型？如何发现的？
该研究使用记忆网络和深度学习方法，利用患者在患急性肾损伤前的结构化和非结构化电子病历数据，发现了急性肾损伤的三个亚表型，这可以更好地理解这种疾病的病理生理学并制定更有针对性的临床干预措施。
如何估计ICU患者使用万古霉素导致急性肾损伤的概率？
通过观察性数据，使用因果建模方法估计患者住院期间药物不良事件的因果概率下界（PC₋ₗₒw）。该方法包括目标试验仿真框架和使用机器学习估计个体化治疗效果的两个主要因果推理组成部分，并将该方法应用于ICU患者万古霉素诱发急性肾损伤的用例，与医学专家提供的定性概率估计进行比较，讨论了重要局限性和潜在改进，并得出结论：未来改进的因果模型可能为医院患者的药物安全监测提供必要的数据支持。
如何预测药物相互作用的风险？
提出了一种新的基于多数据源知识图谱嵌入的机器学习方法，用于预测药物相互作用的风险。该方法融合了DrugBank、PharmGKB和KEGG drug三个数据库中的12,000个药物属性信息进行训练，并采用ComplEx嵌入方法、Convolutional-LSTM神经网络和机器学习模型来实现。通过三个最佳分类器的模型平均集成方法，在5折交叉验证测试中得到的平均精度、F1-score和MCC值分别为0.94、0.92、0.80。
AKI-BERT模型在急性肾损伤早期预测中表现如何？
本文旨在利用基于BERT的AKI-BERT模型进行早期预测，增加了BERT模型在疾病特定领域的应用。通过对MIMIC-III数据集的实验，证明了该模型在AKI早期预测方面的性能有所提高。
如何利用知识图谱和ICU数据提升临床决策建模性能？
通过将医学领域的知识图谱与重症监护病房的数据进行整合，结合重要体征和临床报告，提高临床决策建模的性能，特别是在数据缺失时。同时包括一个可解释性组件，以了解知识图谱节点对预测的影响。
如何预测患者重返ICU的风险？
本研究提出一种新的方法，使用电子健康记录（EHR）的医疗文本，通过多视图图表和图卷积网络对患者出院小结进行表征学习，以预测重返重症监护病房的风险，获得了最优的预测效果。
AICare模型是什么？它有什么特点？
AICare是一个即时、个性化和可解释的死亡预测模型，使用电子病历等随访数据，能够明确识别每个患者的关键特征，进而建立健康状态嵌入模型，并在包括腹膜透析和血液透析等临床数据预测任务中达到了良好的预测效果。
DeepEIK框架如何结合知识图谱和文献进行药物发现？
DeepEIK是一种统一的深度学习框架，将知识图谱和生物医学文献中的显性和隐性知识结合起来，采用特征融合和注意机制来处理多模态输入，能够更深入地理解分子，为药物发现应用提供了有前途的潜力。
如何利用ICU数据预测侵入性干预的发生和停止？
本文旨在利用所有可用的ICU数据（生命体征、实验室数据、病历及患者基本信息）并关注学习数据的丰富表示，通过使用递归神经网络LSTM和卷积神经网络CNN分别预测侵入性干预的发生和停止。该预测支持“实时”表现，并在六小时内进行以支持临床可操作的规划，同时通过特征遮盖等方法提高模型的解释性，最终超过对照组并提供模型学习洞见。
