首页
快讯
关注
资讯
- 健康
- 科技
- 热点
- 视频
- 产业
- 政策
- 护理
- 投资
- 医改
- 养老
- 疫情
- 人物
- 医保
- 疾病
- 管理
- English
- 临床
- 心血管
- 肿瘤
- 内分泌
- 妇儿
- 感染
专题
活动
知识

首页
快讯
关注
资讯
- 健康
- 科技
- 热点
- 视频
- 产业
- 政策
- 护理
- 投资
- 医改
- 养老
- 海外
- 人物
- 保险
- 疾病
- 管理
- English
- 临床
- 心血管
专题
活动
智库
知识
- 北斗学苑
评选
会议
排行
全球医疗
健康界APP

欢迎登录体验更多功能

搜索

重症监护室里的人工智能

2021

07/19

古麻今醉

A-

A+

随着重症监护环境中数据的数量和分辨率的爆炸式增长，机器学习模型在重症监护研究中日益流行，能够对重症监护复杂的数据源进行更为深入地分析。

循证医学是现代医学的基础。自海军外科医生詹姆斯·林德(James Lind)首次发表对水手坏血病治疗的观察以来，循证医学逐渐被认为是现代医学的里程碑。随机对照试验位于证据平台的最高台阶，其设计往往利用多中心优势来增加外部有效性。虽然大型多中心研究是金标准，但在时间和资源方面的投入相对困难且昂贵。因此，在现代医学中，只有约10%到20%的建议是基于证据的，在重症监护医学中尤为相关。近年来，大量关注死亡率和主要临床结果的随机对照试验得出阴性结果，其中局限性与危重症患者人群的特点有关，根据ICU住院情况的不同危重症患者在合并症、年龄、基线死亡率等方面，有很大的差异性。因此，在重症监护中阴性试验的高频率可能与异质性和混杂效应有关。相应地，ICU患者在某一特定治疗的获益上会表现出很大的差异性，称为治疗效果的异质性，甚至可能导致明显的悖论如治疗的阴性试验，而使高危亚组获益。

ICU是医院所有病房中最适合开始向大数据转变的病房。这是由于大量的监测系统 (每分钟甚至每秒收集数据)连续收集呼吸、血流动力学、神经和临床数据。大数据可能有助于克服循证医学在重症监护医学应用的局限性。一般采用随机对照试验来控制偏倚和混杂风险，将其随机分布在病例和对照组之间。虽然这种策略可能对观察者引入的偏差(选择偏差、报告偏差和观察者偏差)有效，能够减少1型错误(假阳性错误)的风险。但同样的方法可能实际上增加了2型错误(假阴性错误)的风险，阻碍在特定亚群中积极治疗效果的确定。

电子健康记录(EHR)能够轻易地收集大量数据，其中包含护理医生做出决定时使用的相同分辨率，易于在较小的人群中进行治疗干预分析。缺点是这些数据的分辨率通常很高，以至于经典的统计探索和分析可能太困难、太耗时而无法执行，至少不能实时或短时间内执行。在这方面，随着旨在自动化和简化数据分析的强大机器学习算法的普及，人工智能(AI，artificial intelligence)可能会很有帮助。

“机器能思考吗？”：人工智能的历史与定义

“机器会思考吗?”这是艾伦·图灵在1950年提出的疑问句。图灵提出了现在已知的图灵测试，以评估人工智能是否进化到与人类难以区分。在测试中，一台电脑和一个人被放在两个封闭的房间里，外面的观察者应该猜出哪一个是电脑，哪一个是人。如果人类猜不出来，计算机就通过了图灵测试。关于人工智能概念的学术辩论在随后的辩论中蓬勃发展，1956年在新罕布什尔州举行的达特茅斯会议上首次使用了“人工智能”这个术语。尽管经过了几十年的讨论和争论，对于人工智能的定义并没有达成真正的共识。这个术语通常指机器表现出“认知”能力的性能，包括学习能力以及推理和推论的能力。

应用于医疗领域的AI指的是用以理解和产生自然语言能力的机器学习(也称为自然语言处理：NLP，natural languageprocessing)或可视化和识别对象的能力(计算机视觉)。

AI包括的一些关键面如图1所示。

图1：人工智能的分类

机器如何学习？：机器学习的范畴

机器学习技术是一种用于分析大型数据集的算法。机器学习背后的概念是允许计算机学习，而不需要编程特定的任务，不需要人来理解、监督和解释所有步骤的数据分析。

机器学习模型是在包含大量原始数据的数据集上进行训练的，这些数据集基于数字、图像或文本。机器学习模型与标准分析模型相比的优势是，最好的算法是由机器学习过程自动调整，而没有人的交互来一步步地编码。在最简单的机器学习过程中，以下三个关键方面协同产生结果:数据集(包含原始数据)、算法(解释数据)和特征选择(在数据集中选择用于分析的变量;►图2)。

图2：机器学习三要素

特征用于定义监督学习过程中的关键方面，需要人的判断和交互。相反，建立无监督模型是为了解读信息，而不需要事先选择特征。

人工智能的临床应用

在De Fauw等的一项研究中采用卷积神经网络(一种非监督机器学习，特别适用于图像评估)分析视网膜模式以检测视网膜疾病。其过程较为复杂，如图像质量的变化、获取技术过程的变化以及患者特征的变化。为克服这些挑战，作者使用了计算机视觉的一种典型的两步法的方法。根据预定义的类别(按解剖学和病理学分类并包括图像伪影)，通过分割网络来训练模型将每个体素(规则间隔的三维网格的单个数据点)映射到一种可能的组织类型中。随后，另一个神经网络被训练来学习分析分割图以提供诊断和转诊决策。这两种神经网络在视网膜疾病的检测中均取得了良好的效果。

虽然NLP仍处于发展的初级阶段，但其潜力是巨大的。NLP的设计目的是允许从医生在临床图表中使用的自然语言中提取概念，以便与同事和卫生保健专业人员进行交流。NLP仍受限于不同语言和国家的不同发展水平，但在不久的将来，它将在如临床图表所包含的医疗叙事等最丰富的医学知识资源中提供基础性理解。

在重症监护医学中，最常用的AI算法是基于机器学习的算法，因为重症监护是复杂的连续监测和连续治疗产生的大型数值数据集的良好来源。图3显示为单例ICU入院所产生数据的复杂性，从基线患者数据开始，到危重症开始时的器官衰竭水平，同时包含了来自整个ICU入院的所有治疗方法和生物学及临床数据。

图3：单个ICU住院患者产生的复杂性和变异性数据。COPD：慢性阻塞性肺疾病；ICU：重症监护病房。

在整个ICU住院期间采用机器学习预测策略比SOFA(序贯器官衰竭评估)和APACHE-II(急性生理学和慢性健康评估II)等常用评分相比具有明显优势。因为与标准分数相比，它将达到更高的表现，代表着向个体化医学迈进了一步。

下面将介绍在重症监护中使用的最常见机器学习模型。

分类模型和回归模型

一般来说，分类模型通常用于自动预测一个对象是一个类别的一部分还是另一个类别的一部分。因此，该模型的目标是定义一个映射函数，能够使用来自某些输入变量的数据，将病人分配到一个离散输出变量(例如一个“标记”的特征)。相反，回归模型通常用于预测一个量，即在给药后血压上升或下降多少。最著名的分类和回归模型是线性和逻辑回归。线性回归使用特征的线性组合对结果进行建模(►图4A)，由以下函数表示:其中y是结果，wn是每个xn特征点的斜率，b是y截距。

尽管逻辑回归的名字是一个分类学习算法，它使用一个sigmoid函数来为事件分配概率。根据定义，概率限制在0到1之间。它是目前最流行的医学分类算法之一。然而，在临床医学中，我们很少能如此幸运地通过线性或逻辑回归预测一个简单的模式。随着数据量的增加，相关场景的复杂性也在增加，并且随着对现实的更好表现，需要更复杂的模型来解释数据(►图4B)。

图4：（A）线性模型预测的简单模式。（B）使用逻辑回归的清晰模式性能很差。

机器学习算法：监督学习模型和标记数据

监督学习算法通常用于重症监护医学。监督这个术语是指从标记的数据中学习的过程。通过训练，算法将搜索与结果最相关的模式。标记是将数据分配到一个类别或给它贴上标签的过程。在医学上，这一过程通常需要一个人根据一个已知的定义来绘制临床数据。该定义可以识别一种综合征，如脓毒症或急性呼吸窘迫综合征(ARDS)；但也可以量化一种状况，如慢性阻塞性肺病(COPD)的严重程度或虚弱程度。

标记在监督学习中是必不可少的，也是医学临床量表的基础。我们用它来定义医生容易理解的类别，并传达诊断或预后的信息。临床标记虽然主要用于研究目的，但通常没有与EHR系统集成。即使卫生保健专业人员在一定范围内对患者进行分类，结果也经常在临床日记中以自然语言形式报告，从而失去了标记在临床上下文之外的效用。

因此，最常见的派生临床标记策略之一是使用诊断和程序补偿代码。在一些国家，为报销目的绘制了国际疾病分类第九版(ICD-9)代码，从而完成了住院过程。然而，ICD-9编码的局限性是众所周知的。在一项包括161,529例患者的大型研究中，ICD-9代码在报告肺炎病因方面的准确性较差，特异性较好但敏感性较低(某些细菌性肺炎的敏感性低至14%)。尽管如此，由于数据标记在时间和资源方面是一种负担，因为它意味着需要一个或多个有经验的人。ICD-9代码甚至经常被用于最著名的重症监护数据库，即重症监护医疗信息集市版本III (MIMIC-III)数据库。以下对监督模型中决策树、支持向量机（SVM）和随机森林进行简要的概述。

支持向量机

SVM模型的目标是在N维空间中定义一个超平面。当二维或三维空间中的一条线或一个平面没有用处时，它能够对数据点进行分类。►图6报告了一个可读的SVM的视觉简化，因为n维的超平面对于人类来说是非常难以想象的。支持向量是影响超平面方向和位置的数据，超平面将数据分离出来进行分类。在SVM中，通过将原始空间变换到高维空间的函数，我们可以对每一个点进行分类。

图6：带有超平面和支持向量（虚线）的支持向量机例子。

决策树

决策树是一种类似流程图的模型，它通过与每个树节点相对应的几个决策节点处理输入信息后产生结果。决策树被倒过来描述，根在顶部(►图5）。第一个节点叫做根，而分支的末端叫做叶。决策树的优点是可以清晰地展示特征的重要性和关系。

图5：脓毒症的一个简单决策树。

随机森林

随机森林是基于大量并行工作的单个决策树。每棵树都与其他树不同，并独立对结果进行分类，通过某种民主过程，得票较多的分类产生最终结果。该模型背后的想法是，不相关的树的整体组将产生比任何单一树更好的性能(►图7)。

图7 ：随机森林示例

深度学习：神经网络

为了改善对复杂信息的处理，深度学习模型试图复制人类大脑的结构，使用非线性转换来提高抽象级别，与监督模型不同的是，深度模型可以不用事先标记或特征选择。神经网络最简单的形式是基于多层感知器，这些感知器是由一系列的几层神经元构成的。每个神经元都有一个从0到1的数字，当神经元内部的数字超过一定的阈值，即激活数时，神经元就会被激活。某一神经层的某些神经元组被激活后，下一层的其他神经元也会被激活，其方式与生物神经元相似。最后一层是输出层，在这一层中，被激活频率更高的那组神经元将在单个输出中占优势，从而给出该模型的最终解读。神经网络可以从几层开始，延伸到数百层神经元。随着神经网络复杂度和层数的增加，正确训练算法所需的数据量也随之增加。深度学习已经应用于图像识别、计算机视觉以及自然语言处理。

强化学习

强化学习是机器学习的第三种选择，其在决策序列中特别有用。当算法经过训练后，在试错游戏中，算法的每一个选择都会导致奖励或惩罚，这使我们能够在不确定的环境中解决一个复杂的问题。该算法试图将奖励最大化，减少惩罚。程序员设定奖励和惩罚，但不提出如何解决问题的建议。

重症监护里的机器学习示例

EHR在重症监护病房的应用越来越多，推动数据科学和机器学习在重症监护环境中的普及。来自监测仪的血流动力学数据、来自输液泵的输注数据、来自呼吸机的呼吸数据正在生成大量的数据，这些数据可以与其他大数据来源如组学(即基因组学或蛋白质组学)相比较。Komorowski等通过使用强化学习开发了一个计算模型，为ICU中的成年患者动态地提出最佳治疗方案。该模型是在ICU中可用的两个最大数据集上建立和验证的:用于开发模型的训练集(MIMIC-III)和eICU研究所数据库(eRI)。模型表明与临床医生相比，AI临床医生在选择静脉输液和血管升压药物方面表现更好。与实际治疗相比，AI临床医生建议使用更低剂量的液体和更高剂量的血管升压药。此外，接受更接近人工智能临床医生建议剂量的患者死亡率最低。在Davoudi等的一项研究中，使用渗透性监测和机器学习对22名住进ICU的患者的谵妄和躁动进行持续评估。采用CAM(混淆评估法)-ICU量表对患者进行标记。使用相机和加速度计记录面部表情和动作。在患者的手腕、脚踝和手臂上放置三个加速度计来识别姿势。利用预先训练好的神经网络对单个元素的表情进行识别和检测。该研究是第一个持续评估患者情绪的研究，包括谵妄患者和非谵妄患者。此外，系统提供了以客观和可重复的方式连续分析患者运动、昼夜节律中断的可能性。

人工智能的局限性

尽管AI临床医生具有很大优势，但也存在一些重要的局限性。要让一个算法在其决策过程中包含影响每个患者个人选择的大量建议是极其困难的。对重症监护干预的文化差异和多样性的认识是危重病人护理的一个基本部分。此外，机器学习模型可能会发现虚假的关联，并错误地将它们解释为事件之间的真实关系。为了避免这种误解，人类应该始终监督机器学习过程的结果，并验证它们的结果。第三个限制与源数据有关，每一个机器学习模型都可以与其背后的数据一样，AI模型需要大量高质量、高分辨率的数据，但大多数关于患者护理的临床知识是通过临床图表中的自然语言或同事之间的口头传播来传播，而这些仍然排除在人工智能算法之外。不同国家、不同中心、甚至同一家医院的软件系统、本地协议、医疗实践的差异可能会进一步损害AI模型的性能。这些方面都是AI的局限性。最后，尽管AI在疾病分类、患者分层、为精准医疗确定最佳治疗方面具有强大的能力，但AI临床医生永远不可能坐在患者身边，握着他的手，猜测传达他/她的医疗状况所需的最佳词语，和他或她讨论最好的治疗方案。

述评：

随着重症监护环境中数据的数量和分辨率的爆炸式增长，机器学习模型在重症监护研究中日益流行，能够对重症监护复杂的数据源进行更为深入地分析。除临床研究目的外，AI在重症监护中的应用还包括:临床决策支持系统和精准医疗。当重症监护领域的数据允许研究与其他群体具有同质和不同的患者亚群体时，将会向精准医疗更进一步。这种亚群将代表单个患者的“原型”，具有完全相同的年龄、相同的既往病理、相同的家庭用药、相同的入院原因和器官衰竭。EHR中集成的决策支持系统(DSS)将能够立即通知重症护理团队患者病情的变化、预后的顺序改变，并建议进一步的诊断或治疗行动。目前的决策支持系统实例的局限性在于基于的特征数量少，缺乏外部有效性，这些因素使得其性能下降。在未来，基于数千个特征的机器学习算法衍生的决策支持系统(DSS)可能会构成良好的临床优势。DSS能够使用实验室、临床、血流动力学波形数据和微生物数据，但是该系统不会取代重症护理团队，仍应由医生和护士负责做出所有的临床决策，能够从信息水平的增加中获益。

机器学习在临床实践中的潜在好处与数据的数量、质量和分辨率直接相关。未来能够通过使用ICU电子病历数据库建立一个共同的结构，将不同中心之间的大量数据合并，其中的核心数据和标注可以通过共识过程来选择，同时采取相应措施，简化匿名数据在不同国家不同中心之间的传播，并允许创建大型数据集，能够在保护患者权利的同时改善重症监护的临床实践。

编译：李东丽；述评：罗猛强

原始文献：

Greco M, Caruso PF,Cecconi M. Artificial Intelligence in the Intensive Care Unit. Semin RespirCrit Care Med. 2021 Feb;42(1):2-9. doi: 10.1055/s-0040-1719037. Epub 2020 Nov5. PMID: 33152770.