導(dǎo)讀

文章梳理了各類ML算法在風濕病診療領(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)用價值是提高診療質(zhì)效、節(jié)省資源、避免差錯。近年來，借助人工智能（AI），CDSS得到了突破性的進展。利用機器學習（ML）算法從數(shù)據(jù)中不斷學習與發(fā)現(xiàn)新知識，以預(yù)測個體疾病進展、更快檢測問題或支持治療決策。

近期，一篇發(fā)表于Zeitschrift für Rheumatologie（風濕病學雜志）的綜述論文指出，針對風濕病的ML算法已有應(yīng)用，其中最先進的是類風濕性關(guān)節(jié)炎（RA）的影像自動識別和疾病進展預(yù)測。文章梳理了各類ML算法在風濕病診療領(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)知識庫的形成方式，分為基于知識庫的CDSS和非基于知識庫的CDSS�；�于知識庫的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，它通過自動審查診斷過程，在需要時發(fā)出相應(yīng)提醒和警告（例如存在藥物相互作用的情況時），以保證整個過程符合診療指南／規(guī)范和RA達標治療策略（如圖1所示）。

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

圖1：基于知識的決策系統(tǒng)vs基于AI的治療決策

借助移動應(yīng)用程序，藥物管理（如合規(guī)性）和患者報告結(jié)果（PRO）的相關(guān)數(shù)據(jù)也可以集成到 CDSS 中，幫助風濕病醫(yī)生更輕松地做出決策并節(jié)省時間。相關(guān)研究還顯示，當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，疾病活動性顯著降低。

02

基于AI的CDSS為風濕病診療決策帶來更多可能

與基于知識庫的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、健康信息登記冊的臨床數(shù)據(jù)。在一項規(guī)模較小的研究中，ML模型可以預(yù)測在逐漸減少生物制劑DMARDs（改善疾病的抗風濕藥物）治療時個體RA的發(fā)作情況，預(yù)測準確率可達80％；其中主要變量是潛在的劑量減少、疾病活動、疾病持續(xù)時間和炎癥參數(shù)。

在其他一些RA研究中，除臨床數(shù)據(jù)外，還使用了組織學和分子學數(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)測了80－90％的病例對藥物有反應(yīng)或無反應(yīng)�？梢�，臨床數(shù)據(jù)和生物醫(yī)學數(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，文獻被分為以下主題：患者識別；風險預(yù)測；診斷；表型分析；疾病進展、結(jié)局或管理的預(yù)測。文章指出，表型分析和疾病進展預(yù)測與疾病治療過程最相關(guān)，并進一步討論了ML算法在這些方面的應(yīng)用。

監(jiān)督學習算法可以讓計算機在未來疾病發(fā)生的任一時刻向臨床醫(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。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個臨床變量，對英夫利昔單抗療效的預(yù)測準確率達到92％（2016年）；增加英夫利昔單抗劑量的決定也可以通過ML進行有效分類并預(yù)測。此外，ML可以從真實數(shù)據(jù)集以及各種對照研究中預(yù)測患者對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)測疾病活動數(shù)值。在這種情況下，CDSS不僅可以檢查達標治療策略的一致性，還可以實現(xiàn)潛在的更有效的達標治療策略。假設(shè)，數(shù)據(jù)庫本身會隨著AI控制的治療決策改進而改變，那么接下來也會促進預(yù)測的改善。

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

強化學習算法可以基于治療結(jié)果的持續(xù)反饋（比如借助App）不斷改進治療，以實現(xiàn)中長期最佳臨床效果。

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？文章認為，未來的CDSS應(yīng)當是綜合決策支持——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習系統(tǒng)說明在做出治療決定時必須考慮哪些信息。

其次，可以讓患者選擇哪種結(jié)果對他們來說最重要。這種選擇并非必須是疾病活動的重要標志，也可以是疲勞等癥狀；接下來根據(jù)患者的選擇，對AI進行專門訓練，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，治療決策是一個非均相的平衡過程。在這個過程中，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，并得出負責任和合理的結(jié)論。

04

未來用戶通過可視化儀表盤進行交互管理

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)知識和患者的決定（包括個人、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。比如對于新藥來說，可用數(shù)據(jù)點較少，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，這是一個重要的問題。雖然現(xiàn)在醫(yī)生可以通過語音識別技術(shù)接收各類信息，但文章認為，儀表盤形式的可視化平臺更適合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的建議不會給患者帶來風險（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AI不會給予任何建議。此時就出現(xiàn)一個問題，誰應(yīng)該為AI治療決定的后果負責。文章認為，應(yīng)該假定主治醫(yī)師在任何情況下都必須核實建議的合理性，并對此負責。

【責任編輯：蘇夏】

——本公眾號所有圖文，未經(jīng)許可，嚴禁轉(zhuǎn)載！

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