導(dǎo)讀

文章梳理了各類ML算法在風(fēng)濕病診療領(lǐng)域的應(yīng)用，并提出未來AI系統(tǒng)在臨床應(yīng)用需要解決的四大問題。

臨床決策支持系統(tǒng)（CDSS）的應(yīng)用價(jià)值是提高診療質(zhì)效、節(jié)省資源、避免差錯(cuò)。近年來，借助人工智能（AI），CDSS得到了突破性的進(jìn)展。利用機(jī)器學(xué)習(xí)（ML）算法從數(shù)據(jù)中不斷學(xué)習(xí)與發(fā)現(xiàn)新知識(shí)，以預(yù)測(cè)個(gè)體疾病進(jìn)展、更快檢測(cè)問題或支持治療決策。

近期，一篇發(fā)表于Zeitschrift für Rheumatologie（風(fēng)濕病學(xué)雜志）的綜述論文指出，針對(duì)風(fēng)濕病的ML算法已有應(yīng)用，其中最先進(jìn)的是類風(fēng)濕性關(guān)節(jié)炎（RA）的影像自動(dòng)識(shí)別和疾病進(jìn)展預(yù)測(cè)。文章梳理了各類ML算法在風(fēng)濕病診療領(lǐng)域的應(yīng)用，并提出未來AI系統(tǒng)在臨床應(yīng)用需要解決的四大問題。

01

基于CDSS應(yīng)用規(guī)則保障診療質(zhì)量與規(guī)范

CDSS可根據(jù)知識(shí)庫(kù)的形成方式，分為基于知識(shí)庫(kù)的CDSS和非基于知識(shí)庫(kù)的CDSS�；�于知識(shí)庫(kù)的CDSS的構(gòu)建旨在提高治療質(zhì)量，通過智能化提示為臨床醫(yī)生提供決策支持；這種支持通常是通過“指定在哪種情況下做什么”的決策樹算法來完成的。

決策樹算法是一種基于規(guī)則的方法，它通過自動(dòng)審查診斷過程，在需要時(shí)發(fā)出相應(yīng)提醒和警告（例如存在藥物相互作用的情況時(shí)），以保證整個(gè)過程符合診療指南／規(guī)范和RA達(dá)標(biāo)治療策略（如圖1所示）。

另外，電子病歷可借助CDSS提示RA患者的風(fēng)險(xiǎn)因素，如性別、C－反應(yīng)蛋白（CRP）、抗環(huán)瓜氨酸肽抗體（Anti－CCP）或X線報(bào)告，判斷是否存在進(jìn)展高風(fēng)險(xiǎn)。借助自然語言處理技術(shù)，系統(tǒng)還可以自動(dòng)識(shí)別相關(guān)信息從而在電子病歷中查找脊椎炎患者。

圖1：基于知識(shí)的決策系統(tǒng)vs基于AI的治療決策

借助移動(dòng)應(yīng)用程序，藥物管理（如合規(guī)性）和患者報(bào)告結(jié)果（PRO）的相關(guān)數(shù)據(jù)也可以集成到 CDSS 中，幫助風(fēng)濕病醫(yī)生更輕松地做出決策并節(jié)省時(shí)間。相關(guān)研究還顯示，當(dāng)支持患者管理和藥物管理的CDSS應(yīng)用于幼年關(guān)節(jié)炎患者診療中時(shí)，疾病活動(dòng)性顯著降低。

02

基于AI的CDSS為風(fēng)濕病診療決策帶來更多可能

與基于知識(shí)庫(kù)的CDSS相比，基于AI的CDSS理論上可以支持更廣泛、更靈活的治療決策，也開辟了更多可能性。目前，此類系統(tǒng)主要輸入來自電子病歷、健康信息登記冊(cè)的臨床數(shù)據(jù)。在一項(xiàng)規(guī)模較小的研究中，ML模型可以預(yù)測(cè)在逐漸減少生物制劑DMARDs（改善疾病的抗風(fēng)濕藥物）治療時(shí)個(gè)體RA的發(fā)作情況，預(yù)測(cè)準(zhǔn)確率可達(dá)80％；其中主要變量是潛在的劑量減少、疾病活動(dòng)、疾病持續(xù)時(shí)間和炎癥參數(shù)。

在其他一些RA研究中，除臨床數(shù)據(jù)外，還使用了組織學(xué)和分子學(xué)數(shù)據(jù)來鑒定RA表型。比如，使用脫氧核糖核酸（DNA）甲基化或遺傳數(shù)據(jù)研究腫瘤壞死因子（TNF）抑制劑的治療反應(yīng)。在使用TNF抑制劑的治療中，ML正確預(yù)測(cè)了80－90％的病例對(duì)藥物有反應(yīng)或無反應(yīng)。可見，臨床數(shù)據(jù)和生物醫(yī)學(xué)數(shù)據(jù)的匯聚并非不重要。這種匯聚需要特殊的網(wǎng)絡(luò)來實(shí)現(xiàn)，比如通過收集可穿戴設(shè)備的數(shù)據(jù)，ML能可靠地發(fā)現(xiàn)耀斑。

在最近一篇關(guān)于ML算法應(yīng)用于自身免疫疾病的綜述中，文獻(xiàn)被分為以下主題：患者識(shí)別；風(fēng)險(xiǎn)預(yù)測(cè)；診斷；表型分析；疾病進(jìn)展、結(jié)局或管理的預(yù)測(cè)。文章指出，表型分析和疾病進(jìn)展預(yù)測(cè)與疾病治療過程最相關(guān)，并進(jìn)一步討論了ML算法在這些方面的應(yīng)用。

監(jiān)督學(xué)習(xí)算法可以讓計(jì)算機(jī)在未來疾病發(fā)生的任一時(shí)刻向臨床醫(yī)生和患者發(fā)出警告，即使沒有臨床關(guān)節(jié)腫脹或CRP升高等癥狀和指標(biāo)。治療方法因此可以盡快調(diào)整，甚至采用預(yù)防性措施，而不是被動(dòng)反應(yīng)，從而降低藥物劑量，減少副作用，節(jié)約成本。

神經(jīng)網(wǎng)絡(luò)算法僅用9個(gè)臨床變量，對(duì)英夫利昔單抗療效的預(yù)測(cè)準(zhǔn)確率達(dá)到92％（2016年）；增加英夫利昔單抗劑量的決定也可以通過ML進(jìn)行有效分類并預(yù)測(cè)。此外，ML可以從真實(shí)數(shù)據(jù)集以及各種對(duì)照研究中預(yù)測(cè)患者對(duì)托珠單抗單藥治療的反應(yīng)。

回歸分析算法可以在特定條件下預(yù)測(cè)疾病活動(dòng)數(shù)值。在這種情況下，CDSS不僅可以檢查達(dá)標(biāo)治療策略的一致性，還可以實(shí)現(xiàn)潛在的更有效的達(dá)標(biāo)治療策略。假設(shè)，數(shù)據(jù)庫(kù)本身會(huì)隨著AI控制的治療決策改進(jìn)而改變，那么接下來也會(huì)促進(jìn)預(yù)測(cè)的改善。

聚類分析算法應(yīng)用于電子病歷等，可以識(shí)別新的類風(fēng)濕表型，從而更容易對(duì)未來的“患者旅程”進(jìn)行分類。目前，我們主要根據(jù)臨床特征和自身抗體模式對(duì)重疊綜合征進(jìn)行分類；而“聚類”可以在更高層次上進(jìn)行分類，包括用藥的結(jié)果和反應(yīng)。假設(shè)“聚類”在未來能改進(jìn)專家分類標(biāo)準(zhǔn)，那么這種改進(jìn)通常是通過無監(jiān)督學(xué)習(xí)算法完成的，它曾被應(yīng)用于一項(xiàng)關(guān)于病理類型和基因表達(dá)的RA研究，并確定了3種不同類型的滑膜炎。

強(qiáng)化學(xué)習(xí)算法可以基于治療結(jié)果的持續(xù)反饋（比如借助App）不斷改進(jìn)治療，以實(shí)現(xiàn)中長(zhǎng)期最佳臨床效果。

03

CDSS決策過程是醫(yī)患共同參與的決策過程

在基于ML的CDSS應(yīng)用中，醫(yī)生和患者又各自扮演著怎樣的角色呢？文章認(rèn)為，未來的CDSS應(yīng)當(dāng)是綜合決策支持——醫(yī)生和患者共同參與，而不是將AI輔助的治療選擇強(qiáng)加給醫(yī)生。

首先，ML容易受到不完整、不正確和非特定數(shù)據(jù)（也稱無用輸入無用輸出）的影響。因此，醫(yī)生必須首先向?qū)W習(xí)系統(tǒng)說明在做出治療決定時(shí)必須考慮哪些信息。

其次，可以讓患者選擇哪種結(jié)果對(duì)他們來說最重要。這種選擇并非必須是疾病活動(dòng)的重要標(biāo)志，也可以是疲勞等癥狀；接下來根據(jù)患者的選擇，對(duì)AI進(jìn)行專門訓(xùn)練，以獲得最有效的醫(yī)療措施或非醫(yī)療干預(yù)措施建議。

圖2：AI場(chǎng)景——支持患者和醫(yī)生參與的臨床決策

最后，治療決策是一個(gè)非均相的平衡過程。在這個(gè)過程中，臨床醫(yī)生需要考慮各類型信息，以便連貫、充分地了解患者情況，并得出負(fù)責(zé)任和合理的結(jié)論。

04

未來用戶通過可視化儀表盤進(jìn)行交互管理

在概述了具備足夠定性數(shù)據(jù)可用條件下，基于AI的風(fēng)濕病治療決策技術(shù)的可行性后，文章提出，未來AI系統(tǒng)的臨床應(yīng)用要解決好四大問題：

首先，要讓臨床醫(yī)生和患者都習(xí)慣新的治療模式，這需要做出很多改變。除了AI，醫(yī)生的專業(yè)知識(shí)和患者的決定（包括個(gè)人、家庭和非客觀因素）的參與都必不可少的。

其次，治療決策如何適應(yīng)未來的臨床工作流程。比如對(duì)于新藥來說，可用數(shù)據(jù)點(diǎn)較少，所以AI系統(tǒng)在一開始很可能很少考慮到這些數(shù)據(jù)。理論上講，這種情況下AI系統(tǒng)甚至可能成為創(chuàng)新的阻礙。

第三，未來用戶如何與AI系統(tǒng)交互，這是一個(gè)重要的問題。雖然現(xiàn)在醫(yī)生可以通過語音識(shí)別技術(shù)接收各類信息，但文章認(rèn)為，儀表盤形式的可視化平臺(tái)更適合AI系統(tǒng)，它可以向醫(yī)生展示不同的提示結(jié)果，及其準(zhǔn)確性和不確定性。虛構(gòu)AI儀表盤可視化示例如下圖所示。

圖3：基于AI的虛擬疾病管理界面的圖形化儀表盤

最后，必須采取預(yù)防措施，以確保AI的建議不會(huì)給患者帶來風(fēng)險(xiǎn)（如過敏、腎衰竭等）。這意味著，在數(shù)據(jù)不完整或質(zhì)量差的情況下，有時(shí)AI不會(huì)給予任何建議。此時(shí)就出現(xiàn)一個(gè)問題，誰應(yīng)該為AI治療決定的后果負(fù)責(zé)。文章認(rèn)為，應(yīng)該假定主治醫(yī)師在任何情況下都必須核實(shí)建議的合理性，并對(duì)此負(fù)責(zé)。

【責(zé)任編輯：蘇夏】

——本公眾號(hào)所有圖文，未經(jīng)許可，嚴(yán)禁轉(zhuǎn)載！

如需轉(zhuǎn)載，請(qǐng)?zhí)崆芭c編輯聯(lián)系取得轉(zhuǎn)載許可。否則視為侵權(quán)！