重症医学临床研究2023回顾及展望-其他-AI

重症医学临床研究2023回顾及展望-其他-AI

重症医学临床研究2023回顾及展望-其他-AI

      重症加强护理病房(ICU)的人工智能(AI)研究主要集中在开发模型(从线性回归到深度学习)来预测结果,如死亡率或败血症[1,2]。然而,人工智能的另一个重要方面通常不被框定为人工智能(尽管它可能更配得上这个名字),这是对不同行为可能导致的患者结果或事件的预测,称为因果推理[3,4]。人工智能的这一方面对于ICU的决策至关重要。为了强调因果推理的重要性,我们建议将用于因果推理任务的任何数据驱动模型称为“可操作的人工智能”[chu注:可理解为探索的是因果性],而不是“预测性人工智能”[chu注:可理解为探索的是相关性],并讨论这些模型如何在ICU中提供有意义的决策支持。

预测性人工智能与可操作人工智能预测性人工智能应该执行预测任务[3]。在临床实践的背景下,这包括预测患者现在或未来结果的可能性。因此,预测性人工智能可以提供可能不良事件的早期预警,使ICU医生能够先发制人地考虑适当的干预措施。它不能做的是预测如果实施特定干预,患者结果的可能性会如何变化,因为它完全依赖于关联[5]。例如,虽然姑息治疗咨询和去甲肾上腺素输注都高度指示患者死亡率,但断定停止任何一种治疗都会降低患者死亡概率是不合理的[6]。换句话说,预测性人工智能不能指导ICU临床医生做什么,因为它只提供早期预警

为了让人工智能在治疗决策中向ICU医生提供建议,即“可操作人工智能”,需要考虑因果关系。可操作人工智能应该执行因果推理任务[3],这意味着它预测(未来)患者结果或由替代本地治疗决策导致的事件。通过比较这些结果,可操作人工智能可以就导致最佳预测结果(即最佳治疗)的治疗方案提供建议。在医学中,因果推理任务传统上是通过进行随机对照试验(RCT)来执行的。治疗的随机化允许人们将治疗组之间的结果差异解释为治疗的因果效应。因此,人们可以简单地比较结果并得出结论,观察结果最好的那个代表最佳治疗。然而,在观察研究中,因果推理任务更加复杂,通常由源自共同原因的偏差(混杂偏差)和对共同影响的选择(选择偏差)加剧。因此,对于人工智能来说,要从观察数据中“学习”因果推理任务,它需要针对这些偏差进行调整。为此,关键是使用适合所考虑的治疗类型的调整方法。

重症监护医学是关于顺序决策的。如果治疗决策只发生在基线,例如随机的RCT中的“意向治疗”,则称为“时间固定”(或“点”)治疗。在考虑时间固定治疗的观察性研究中,治疗决策只发生在基线,因此混淆也只发生在基线。在这里,传统的偏差调整方法(如回归或倾向匹配)就足够了。然而,ICU治疗通常包括治疗决策的顺序。例如,在脓毒症中,是否给予液体和血管升压药的决定不仅需要在脓毒症发作时做出,而且需要在ICU期间的多个时间点做出(图1)。因此,ICU患者通常根据特定的制度——或政策、策略或捆绑包——进行治疗,这代表了一套根据患者反应在随访期间通知治疗决定的规则。例如,自由和限制性液体治疗代表了两种不同的制度,在败血症发作期间规定液体和血管升压剂的给药。当随着时间的推移有多个决定时,作为混杂因素的患者特征可能会随着时间的推移而变化,甚至会受到先前治疗决定的影响,导致所谓的“时变混杂”[7]。为了适当地调整这一点,需要更复杂的方法[8],其中一些已经应用于ICU主题。我们将讨论一些例子和剩余的挑战。

重症医学临床研究2023回顾及展望-其他-AI

ICU中的可操作人工智能:我们到了吗?尽管ICU研究主要关注预测性人工智能,但人们对开发可操作人工智能的兴趣越来越大。例如,Shahn及其同事[9]进行了“目标试验仿真”[10]以开发边缘结构模型,该模型表明脓毒症的结果可以通过更严格的液体策略来改善。类似地,Komorowski及其同事[11]提出了一种强化学习模型,该模型可以预测脓毒症中液体和血管升压剂的最佳剂量。尽管Shahn的统计方法和Komorowski的机器学习(ML)方法,但这两个模型都旨在执行因果推理任务。然而,这两项研究都依赖于观察数据,因此,统计方法和机器学习方法都不能保证成功的因果推理。使用观察数据进行因果推断具有挑战性,而临床领域知识对于理解治疗和结果之间的因果关系至关重要。因果图[12]有助于可视化偏见的潜在来源,但重要的是要注意,使用观察数据永远不能完全排除偏见。此外一个重大挑战是通常有限的“有效样本量”,它指的是模型和观察到的治疗方案同意的患者病史数量[13]。克服这些挑战是在临床实践中成功实施可操作人工智能的先决条件。在我们最近的系统回顾中,我们为未来使用ICU[14]中的观察数据进行因果推理研究提供了建议。虽然观察数据的使用很有希望,但对于床边的可操作人工智能,RCT数据的使用目前可能是最安全的途径。这是因为在RCT中,推断因果关系的任务已经通过随机化来完成。尽管RCT提供了平均治疗效果的估计,但人们可以利用这些数据创建模型,产生更个性化的治疗效果,即“个性化”或“精确”医学。然而,即使有足够的RCT数据可用,适当的建模方法并不简单,仍然存在各种挑战。

未来前景可操作的人工智能模型有可能指导ICU医生选择治疗,尽管在这些模型安全实施之前仍存在挑战。我们设想,未来可操作的人工智能模型将仍然是“狭义人工智能”的例子,仅限于为特定患者群体和临床场景提供特定治疗决策的建议,而不是无所不能的“通用人工智能”超越对ICU中整个临床决策的控制。

本文荟萃自,只做学术交流学习使用,不做为临床指导,本文观点不代表数字日志立场。

(0)
打赏 微信扫一扫 微信扫一扫
Chu的头像Chu
上一篇 2024年2月26日 下午5:03
下一篇 2024年2月27日 下午3:52

相关推荐