Tomaev 和同事们提出的新方法比其他基于统计或机器学习的方法更为精确地预测了即将要发生的肾损伤[3，4]，而且对于医院内病人的预测精度最高医院内病人发生急性肾损伤的比门诊诊所更为频繁，同时时间窗口也更为短暂。对于所有病人和所有类别的肾损伤，包括较为轻微的损伤，这一系统的平均预测精度达到了56%；而针对更为严重的肾损伤预测，对于后续30天和后续90天内需要透析的病人预测精度则分别达到了84%和90%。该模型在不同的医疗场所和不同时间周期内具有相似的预测精度。

　　此外，研究人员使用了消融性分析方法来鉴别与肾损伤发生风险相关的因素，结果发现有很多，这也许解释了为何过去让研究人员分析这种风险是一件棘手的事。

　　图一中的假设病例显示了研究人员所开发的新方法的重大应用潜力。如果利用传统方法检测，医生将在第四天才能获悉肾损伤的发生，而新方法则可以提前两天预测出来，为医务人员提供了更多宝贵的时间和更多干预治疗的手段，包括增加病人的液体摄取，或者避免使用可能造成肾毒性的药物。

　　然而这一系统也存在一定问题：生成一系列假阳性的预测结果，即误报一些没有发生的肾损伤。每个精确的预测会对应两个假阳性结果。假阳性绝大多数来源于患有慢性肾病的病人，疾病的症状会与急性肾损伤叠加，造成结果难以预测。

　　本研究的另一局限在于这是一项回顾性研究，利用回顾性研究构建的人工智能方法将在前瞻性研究中发生一定程度的退化[5]，这可能是因为临床中的真实数据会比预先存在的经过清洗的“干净”数据要复杂得多。

　　前瞻性研究是检测预测系统的真实临床价值的根本所在，而预测成功与否不是唯一应加以评估的因素。要确定计算机生成的预警信号是否在临床中减少了急性肾损伤的发生率，一种方法是开展随机设计的临床试验，只将其中一半的预测传递给医生。此外，作者的模型也应该在其他的人群身上进行有效性测试。作者的研究只包含了不到7%的女性病例，那么模型对于不同性别的病人是否具有相同的预测精度，也值得在未来进行深入研究。

　　虽然这一研究包含了不同种类的数据，但还有其他数据源也值得纳入进来，例如病历上的手写内容，来自可穿戴传感器的连续生命监测信号，如心率等，这些都有可能提供有价值的相关信息。

　　对于非重症病人来说，常规监测方法是每天测量一次生命体征，但病人经常会突然出现病情急转直下的情况。Tomaev 和同事的研究对于这样的病人来说十分有用，可以在病人发生严重的器官衰竭之前发出预警，为病人赢得宝贵的救治时机。先前，很多临床背景下基于人工智能的预测性研究主要着重于研究疾病转归，包括死亡、再入院或住院时间等[6]，而Tomaev 等人的研究结果则提供了独特的视角，为临床干预提供了有效的预测信号。

　　深度学习有望为医生提供针对任何器官状况的有力预警手段，它的广泛应用也许需要医疗界改变思维方式。但是从非经常的一次性测试转向系统性的连续监测，或将为医务人员提供更有效的手段来预测病人的病情变化。