Early Prediction of Acute Kidney Injury in ICU Patients Using Large Language Models: A Retrospective Cohort Study Based on QLoRA Fine-Tuning
这项回顾性队列研究表明，经过 QLoRA 微调的 Llama-2 大语言模型能够以高召回率和可行的计算需求有效预测重症监护室（ICU）患者的急性肾损伤，为早期临床预警系统提供了一种比传统机器学习模型更具资源效率的替代方案。
原始论文采用 CC BY 4.0 许可（https://creativecommons.org/licenses/by/4.0/）。 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。 阅读完整免责声明
在重症监护室（ICU）这种生命垂危的高压环境下，肾脏经常面临一种无声且突然的衰竭。这种被称为急性肾损伤（AKI）的状况，在被送入这些重症监护病房的患者中占有相当大的比例。目前医生识别这一问题的方法依赖于特定的血液检测和尿量测量，但这些征兆往往在损伤已经开始后才显现出来。等到标准指标显示出问题时，进行最有效、最温和干预的最佳窗口期可能已经关闭。几十年来，研究人员一直试图构建计算机系统，通过观察患者的生命体征和实验室结果来预测这种衰竭的发生，希望能为医生争取到领先的时间。然而，这些传统的系统往往难以将数十个不同的数值联系起来，从而忽略了人类专家可能会看到的那些微妙而复杂的逻辑。
一项新的研究为这一挑战带来了另一种智能，测试了大语言模型——一种旨在理解和生成人类语言的人工智能类型——是否能比现有工具更好地发现肾衰竭的早期预警信号。研究人员提取了大量来自 2008 年至 2019 年间入住重症监护室的超过 18.8 万名成年患者的去标识化医疗记录。他们并没有将血压或肌酐水平等原始数字直接喂给计算机，而是将这些数据点转化为一种结构化的叙述，就像医生的书面笔记一样。这段文本包含了患者的年龄、肾功能史、心率、尿量以及包括肝酶到血液凝固因子在内的广泛的其他器官功能。其目标是观察计算机是否能够阅读这个临床故事，并预测谁会在未来一天内出现肾损伤。
为了使这项技术能在标准的医院硬件上运行，团队使用了一种称为“量化低秩自适应”（quantized low-rank adaptation）的专门技术。这种方法允许他们在不需要通常用于此类任务的大型、昂贵超级计算机的情况下，对强大的语言模型进行微调。他们训练该系统去识别正在发展的肾损伤模式，并优先考虑捕捉每一个病例的能力，即使这意味着偶尔会发出虚假警报。在早期预警的医学领域，漏掉一名病重的患者被认为比发出一个医生可以迅速排除的错误警报要危险得多。当该系统在从未见过的患者组上进行测试时，它成功识别了 84.4% 的即将发生肾损伤的患者。这一表现明显高于同一研究中测试的其他先进计算机模型，后者漏掉了更多的病例。
研究发现，语言模型在识别风险患者方面表现尤为出色，即使在他们的血液检测结果尚未出现剧烈异常时也是如此。它通过权衡各种因素的组合来实现这一点，例如尿量的缓慢下降或肌酐的轻微上升，并结合身体其他部位的压力迹象。虽然该系统在约 20% 的健康病例中发出了虚假警报，但深入观察后发现，这些错误有着明确的原因。大多数虚假警报发生在尿量较低但肾功能在其他方面保持稳定的患者身上。这表明模型是根据尿量数据正确地标记了一个潜在问题，但人类医生可以通过查看全貌来轻易排除真实的损伤。研究人员指出，模型的决策是透明的；通过分析它处理的文本，他们可以清楚地看到哪些短语（如“关键尿量过低”或“肌酐上升”）驱动了预测。
这项工作证明，无需具备难以企及的计算能力，就可以在临床环境中部署复杂的智能技术。通过将复杂的医疗数据转换为可读格式，该系统模仿了肾脏科专家（nephrologist）审查病历的方式，将零散的信息连接成一个连贯的风险评估。研究结论认为，此类工具可以作为重症监护室中宝贵的“第二双眼睛”，确保没有患者会被遗漏。虽然该模型是基于历史数据训练的，且需要在实时医院环境中进行进一步测试，但研究结果提供了一条切实可行的路径。它提供了一种更早发现肾损伤的方法，从而可能让医生更早进行干预并防止长期损伤，同时还能在医院实际负担得起并能维护的硬件上运行。
您所在领域的论文太多了？
获取与您研究关键词匹配的最新论文每日摘要——附技术摘要，使用您的语言。