急性肾损伤(AKI)的管理尚不令人满意，预防AKI的机会常被错过。AKI通常与其他基础疾病相关，在大多数情况下，医院中缺乏AKI诊断经验的非肾病医师进行处理。这使得开发AKI的检测或预测模型成为热点。这些模型大多局限于AKI基线时的风险估计，例如入院时或术前，和/或在特定情况下，例如心脏手术或败血症，从而妨碍了其普遍性。

最近，一种基于机器学习的算法被证明在入院当天预测AKI2-3期的表现与医生一样好，虽然在重症监护室(ICU)的环境限制下，在此基础上开发了该算法。更先进的预测模型通过允许连续的、几乎实时的风险预测，考虑纵向患者数据，从而考虑了患者的动态状态，显示了更高的临床有用性，从而使（自动）电子警报系统的应用极具吸引力。此外，许多模型仅能预测晚期AKI或需要肾脏替代治疗，因此错过了预防或减轻AKI的机会。

在《自然》杂志上，Toma?ev等报道了基于人工智能(AI)的AKI连续预测模型的开发。作者使用来自所有专科70万的住院患者，以及门诊患者的电子健康记录的纵向数据，训练深度学习循环神经网络模型。该系统不仅使用了当前的医疗数据，还使用了入院前长达2年的既往数据进行培训，结果产生了令人欣喜的60亿个独立数据条目。对于每例病例，标记是否存在AKI，以允许监督学习。得到的模型能够预测所有住院病例中诊断为AKI的55.8%的AKI，前置时间长达48小时，每个假警报与真警报比率为2。

该项目表明了在医学上使用经过大数据训练的AI的潜力。然而，它也揭示了这种方法的局限性和陷阱，以及需要进一步研究和