導讀

文章梳理了各類ML算法在風濕病診療領域的應用，并提出未來AI系統在臨床應用需要解決的四大問題。

臨床決策支持系統（CDSS）的應用價值是提高診療質效、節省資源、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）算法從數據中不斷學習與發現新知識，以預測個體疾病進展、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算法已有應用，其中最先進的是類風濕性關節炎（RA）的影像自動識別和疾病進展預測。文章梳理了各類ML算法在風濕病診療領域的應用，并提出未來AI系統在臨床應用需要解決的四大問題。

01

基于CDSS應用規則保障診療質量與規范

CDSS可根據知識庫的形成方式，分為基于知識庫的CDSS和非基于知識庫的CDSS。基于知識庫的CDSS的構建旨在提高治療質量，通過智能化提示為臨床醫生提供決策支持；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則的方法，它通過自動審查診斷過程，在需要時發出相應提醒和警告（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－反應蛋白（CRP）、抗環瓜氨酸肽抗體（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，系統還可以自動識別相關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vs基于AI的治療決策

借助移動應用程序，藥物管理（如合規性）和患者報告結果（PRO）的相關數據也可以集成到 CDSS 中，幫助風濕病醫生更輕松地做出決策并節省時間。相關研究還顯示，當支持患者管理和藥物管理的CDSS應用于幼年關節炎患者診療中時，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，此類系統主要輸入來自電子病歷、健康信息登記冊的臨床數據。在一項規模較小的研究中，ML模型可以預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的發作情況，預測準確率可達80％；其中主要變量是潛在的劑量減少、疾病活動、疾病持續時間和炎癥參數。

在其他一些RA研究中，除臨床數據外，還使用了組織學和分子學數據來鑒定RA表型。比如，使用脫氧核糖核酸（DNA）甲基化或遺傳數據研究腫瘤壞死因子（TNF）抑制劑的治療反應。在使用TNF抑制劑的治療中，ML正確預測了80－90％的病例對藥物有反應或無反應。可見，臨床數據和生物醫學數據的匯聚并非不重要。這種匯聚需要特殊的網絡來實現，比如通過收集可穿戴設備的數據，ML能可靠地發現耀斑。

在最近一篇關于ML算法應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；風險預測；診斷；表型分析；疾病進展、結局或管理的預測。文章指出，表型分析和疾病進展預測與疾病治療過程最相關，并進一步討論了ML算法在這些方面的應用。

監督學習算法可以讓計算機在未來疾病發生的任一時刻向臨床醫生和患者發出警告，即使沒有臨床關節腫脹或CRP升高等癥狀和指標。治療方法因此可以盡快調整，甚至采用預防性措施，而不是被動反應，從而降低藥物劑量，減少副作用，節約成本。

神經網絡算法僅用9個臨床變量，對英夫利昔單抗療效的預測準確率達到92％（2016年）；增加英夫利昔單抗劑量的決定也可以通過ML進行有效分類并預測。此外，ML可以從真實數據集以及各種對照研究中預測患者對托珠單抗單藥治療的反應。

回歸分析算法可以在特定條件下預測疾病活動數值。在這種情況下，CDSS不僅可以檢查達標治療策略的一致性，還可以實現潛在的更有效的達標治療策略。假設，數據庫本身會隨著AI控制的治療決策改進而改變，那么接下來也會促進預測的改善。

聚類分析算法應用于電子病歷等，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，包括用藥的結果和反應。假設“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督學習算法完成的，它曾被應用于一項關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果的持續反饋（比如借助App）不斷改進治療，以實現中長期最佳臨床效果。

03

CDSS決策過程是醫患共同參與的決策過程

在基于ML的CDSS應用中，醫生和患者又各自扮演著怎樣的角色呢？文章認為，未來的CDSS應當是綜合決策支持——醫生和患者共同參與，而不是將AI輔助的治療選擇強加給醫生。

首先，ML容易受到不完整、不正確和非特定數據（也稱無用輸入無用輸出）的影響。因此，醫生必須首先向學習系統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；接下來根據患者的選擇，對AI進行專門訓練，以獲得最有效的醫療措施或非醫療干預措施建議。

圖2：AI場景——支持患者和醫生參與的臨床決策

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據可用條件下，基于AI的風濕病治療決策技術的可行性后，文章提出，未來AI系統的臨床應用要解決好四大問題：

首先，要讓臨床醫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，醫生的專業知識和患者的決定（包括個人、家庭和非客觀因素）的參與都必不可少的。

其次，治療決策如何適應未來的臨床工作流程。比如對于新藥來說，可用數據點較少，所以AI系統在一開始很可能很少考慮到這些數據。理論上講，這種情況下AI系統甚至可能成為創新的阻礙。

第三，未來用戶如何與AI系統交互，這是一個重要的問題。雖然現在醫生可以通過語音識別技術接收各類信息，但文章認為，儀表盤形式的可視化平臺更適合AI系統，它可以向醫生展示不同的提示結果，及其準確性和不確定性。虛構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，在數據不完整或質量差的情況下，有時AI不會給予任何建議。此時就出現一個問題，誰應該為AI治療決定的后果負責。文章認為，應該假定主治醫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，未經許可，嚴禁轉載！

如需轉載，請提前與編輯聯系取得轉載許可。否則視為侵權！