点击蓝字，关注我们
第一作者：Jim M. Smit
通讯作者：Jim M. Smit
第一机构：Delft University of Technology
DOI：10.1007/s00134-023-07102-y
01
ICU的AI临床决策
重症监护病房 (ICU) 中的人工智能 (AI) 研究主要侧重于开发模型（从线性回归到深度学习）以预测结果，例如死亡率或败血症。然而，人工智能还有一个重要的方面，通常不被称为人工智能，那就是预测病人的结果或不同行动会导致的事件，即所谓的因果推理。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，我们建议将任何用于因果推理任务的数据驱动模型称为“可操作的AI”（actionable AI），而不是“预测性AI”（predictive AI），并讨论这些模型如何在 ICU 中提供有意义的决策支持。
02
预测性AI与可操作的AI
预测性AI
预测AI应该执行预测任务。在临床实践的背景下，这指预测患者现在或将来结局的概率。因此，预测性 AI 可以对可能发生的不良事件提供早期预警，使 ICU 医生能够先发制人地考虑适当的干预措施。而预测性AI不能做的是预测实施特定干预对患者结局的可能变化。换句话说，预测性AI无法指导ICU临床医生做什么，因为它只能提供早期预警。
可操作的AI
可操作的AI，即为ICU医生提供治疗决策建议的 AI，需要考虑因果关系。可操作的 AI 应该执行因果推理任务，这意味着它可以预测替代治疗决策可能导致的事件或结局。通过比较这些结果，可操作的 AI 可以就为治疗方案提出建议以带来最佳结局。
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。因为治疗的随机化，治疗组间的结局差异可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：具有最佳观察结局的那个代表最佳治疗。
然而，在观察性研究中，因果推理任务因混杂偏差和选择偏差而更为复杂。因此，对于从观察数据中“学习”因果推理任务的AI，它需要针对这些偏差进行调整。为此，关键是要使用适合所考虑治疗类型的调整方法。
03
重症监护医学是关于顺序决策的
如果治疗决定仅发生在基线时，例如随机对照试验中的随机“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，治疗决定仅在基线时发生，因此，混杂也仅在基线时发生。
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 治疗通常包括一系列治疗决策。例如，在脓毒症中，不仅需要在脓毒症发作时做出是否给予液体和血管加压药的决定，而且需要在入住 ICU 期间的多个时间点做出决定（图1）。当随着时间的推移有多个决策时，作为混杂因素的患者特征可能会随时间变化，甚至会受到先前治疗决策的影响，从而导致所谓的“时变混杂”。
图 1 两种类型的人工智能，以及在重症监护室的应用示例
为了对此进行适当调整，需要更复杂的方法，其中一些方法已应用于 ICU 主题。
04
ICU 中可操作的 AI：我们到了吗？
尽管 ICU 研究主要关注预测性 AI，但人们对开发可操作的 AI 的兴趣越来越大。使用观察数据进行因果推理具有挑战性，而临床领域知识对于理解治疗与结果之间的因果关系至关重要。因果图可以帮助可视化潜在的偏差来源，但重要的是要注意，使用观察数据永远不能完全排除偏差。此外，一个重大挑战是有限的“有效样本量”，它指的是建模和观察到的治疗方案一致的患者病史数量。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。
虽然观察数据的使用很有希望，但要在床边实现可操作的 AI，RCT 数据的使用目前可能是最安全的途径。这是因为在随机对照试验中，推断因果关系的任务已经通过随机化完成。尽管 RCT 提供了平均治疗效果的估计值，但人们可以利用这些数据创建模型，以产生更加个性化的治疗效果估计值，即“个性化”或“精准”医学。然而，即使有足够的 RCT 数据可用，适当的建模方法也不是直截了当的，而且仍然存在各种挑战。
05
未来展望
可操作的 AI 模型有可能指导 ICU 医生进行治疗选择，尽管在安全落地这些模型之前仍存在挑战。我们设想，未来可操作的 AI 模型将仍然是狭义AI，局限于特定患者群体和临床场景，而不是通用 AI。
往期推送：
Xiaxia Lab
科研｜教学｜数据
联系邮箱｜xyu3@qq.com
点击“阅读原文”，可查看完整文章
