我們今天能夠收集和存儲(chǔ)大量與患者相關(guān)的數(shù)據(jù)。這些“大”數(shù)據(jù)通常是電子病歷（EMR）系統(tǒng)的一部分，通常結(jié)合人口統(tǒng)計(jì)、臨床和生物信息。它們還可以包含圖像（例如超聲心臟圖像）和生理波形。這些數(shù)據(jù)可以用簡(jiǎn)單的描述性方法進(jìn)行分析，以報(bào)告有關(guān)患者特征和結(jié)果的基本信息，如住院死亡率、發(fā)病率和住院時(shí)間。這種方法對(duì)基準(zhǔn)測(cè)試和研究很有用，不需要人工智能。
數(shù)據(jù)分析過程中的另一步包括使用機(jī)器學(xué)習(xí)（ML）算法（人工智能的一個(gè)子領(lǐng)域），這些算法已被訓(xùn)練來檢測(cè)疾病狀態(tài)或不良事件的特定模式。截至目前，大多數(shù)被批準(zhǔn)用于醫(yī)療用途的ML創(chuàng)新都是在成像（放射學(xué)和病理學(xué)）領(lǐng)域開發(fā)的。使用大型圖像數(shù)據(jù)庫(kù)訓(xùn)練算法確實(shí)相對(duì)容易，這樣它就能夠檢測(cè)出醫(yī)學(xué)實(shí)習(xí)生或經(jīng)驗(yàn)豐富但分心的臨床醫(yī)生可能會(huì)錯(cuò)過的異常情況。在這方面，已經(jīng)設(shè)計(jì)了許多ML算法來分析胸部x射線和CT掃描，并提出診斷（例如，氣管導(dǎo)管沒有正確定位在機(jī)械通氣患者的胸部x射線上，或者CT掃描圖像提示ARDS患者患有新冠肺炎）。最近，ML算法也被應(yīng)用到超聲波機(jī)器中，以促進(jìn)和自動(dòng)化護(hù)理點(diǎn)超聲心動(dòng)圖評(píng)估。
人工智能與治療點(diǎn)超聲心動(dòng)圖已經(jīng)訓(xùn)練了幾種ML算法來識(shí)別心臟圖像，并引導(dǎo)用戶正確握住和定位他們的經(jīng)胸探頭。這樣的算法還能夠?qū)D像質(zhì)量進(jìn)行分級(jí)并標(biāo)記心臟結(jié)構(gòu)。圖1中顯示了一個(gè)示例。一些ML算法可以自動(dòng)進(jìn)行超聲心動(dòng)圖測(cè)量。例如，autoVTI算法可以識(shí)別心臟的5腔心尖視圖，在左心室流出道中自動(dòng)定位脈搏波多普勒卡尺，并在短時(shí)間窗口內(nèi)記錄主動(dòng)脈下速度時(shí)間積分（VTI）（圖1）。最近的一項(xiàng)臨床評(píng)估表明，autoVTI算法可以幫助受訓(xùn)者像超聲心動(dòng)圖專家一樣高效地使用超聲波估計(jì)VTI、腦卒中量（SV~VTI x Pi）和心輸出量。還開發(fā)了幾種ML算法用于左心室射血分?jǐn)?shù)（LVEF）的自動(dòng)估計(jì)。比較研究表明，與專家手動(dòng)測(cè)量相比，它們可以使新手更準(zhǔn)確、更具再現(xiàn)性地測(cè)量LVEF。其他超聲算法已被設(shè)計(jì)為通過下腔靜脈呼吸變化的自動(dòng)量化來預(yù)測(cè)機(jī)械通氣患者的流體反應(yīng)性，或通過肺B線的自動(dòng)量化檢測(cè)肺水腫。總之，ML算法在幫助新手進(jìn)行治療點(diǎn)超聲心動(dòng)圖評(píng)估方面的價(jià)值已在幾項(xiàng)臨床研究中得到證明。然而，鑒于接受過超聲心動(dòng)圖培訓(xùn)的重癥監(jiān)護(hù)醫(yī)生的比例正在急劇增加，人工智能創(chuàng)新是否有必要增加超聲血流動(dòng)力學(xué)評(píng)估的數(shù)量和質(zhì)量仍有待確定。
人工智能與連續(xù)血壓監(jiān)測(cè)在尋找無袖帶和連續(xù)血壓監(jiān)測(cè)技術(shù)的過程中，已經(jīng)提出了ML算法來通過分析光體積描記術(shù)（PPG）波形來估計(jì)血壓及其變化。歷史上，PPG波形是由醫(yī)用級(jí)脈搏血氧計(jì)記錄的，但如今它們經(jīng)常從智能手表、粘性貼片、光學(xué)手鐲、戒指或智能手機(jī)攝像頭中獲得。其中一些主要用于檢測(cè)或隨訪慢性高血壓患者的設(shè)備已獲準(zhǔn)用于醫(yī)療用途。最近的獨(dú)立臨床評(píng)估表明，他們可能并不總是能夠檢測(cè)到生理性夜間血壓下降或血壓的治療變化。事實(shí)上，這些設(shè)備需要頻繁的重新校準(zhǔn)，并且有可能在短時(shí)間內(nèi)跟蹤血壓的變化，而不是測(cè)量絕對(duì)值。有趣的是，這不會(huì)阻礙它們?cè)谑中g(shù)期間、ICU患者甚至醫(yī)院病房中的使用，以檢測(cè)低血壓和高血壓發(fā)作，并使用參考臨床方法（例如示波臂袖法）觸發(fā)間歇性血壓抽查。在這些設(shè)置中，參考方法不僅用于確認(rèn)血壓的變化，還用于重新校準(zhǔn)算法。如上所述，ML算法可以檢測(cè)明顯疾病狀態(tài)的特定模式。它們還可以被訓(xùn)練來檢測(cè)與疾病前狀態(tài)相關(guān)的模式或在特定不良事件發(fā)生前觀察到的模式。例如，已經(jīng)開發(fā)了多種ML算法來創(chuàng)建分?jǐn)?shù)（例如eCART或HAVEN分?jǐn)?shù)），預(yù)測(cè)在常規(guī)醫(yī)院病房住院的患者的嚴(yán)重不良事件。幾項(xiàng)研究表明，這些人工智能得出的分?jǐn)?shù)能夠預(yù)測(cè)ICU入院、心臟驟停和死亡，曲線下面積（AUC）約為0.8-0.9（提醒一下，隨機(jī)猜測(cè)的AUC為0.5，而完美預(yù)測(cè)的AUC則為1.0）。然而，當(dāng)不能簡(jiǎn)單地與現(xiàn)有評(píng)分（如改良預(yù)警評(píng)分（MEWS）或國(guó)家預(yù)警評(píng)分（NEWS））相比時(shí)，它們的預(yù)測(cè)值通常僅略高，這兩種評(píng)分都很容易通過生命體征抽查計(jì)算出來。已經(jīng)進(jìn)行了多次嘗試，以在早期發(fā)現(xiàn)敗血癥，加強(qiáng)治療管理并改善患者預(yù)后。截至目前，敗血癥“嗅探器”實(shí)施計(jì)劃的結(jié)果一直存在沖突，一些報(bào)告稱抗生素和住院死亡率的時(shí)間減少，而另一些報(bào)告，包括最近對(duì)EPIC系統(tǒng)的評(píng)估（在美國(guó)廣泛使用），據(jù)報(bào)道，在預(yù)測(cè)敗血癥發(fā)作方面的辨別力（AUC 0.63）和校準(zhǔn)較差。另一個(gè)潛在的ML應(yīng)用是強(qiáng)化學(xué)習(xí)。它能夠開發(fā)旨在提供動(dòng)態(tài)治療建議的算法，這些算法已被證明與改善器官功能和/或存活率有關(guān)。這種規(guī)定性算法是否會(huì)被臨床醫(yī)生（尤其是敗血癥管理專家）接受，并可能改善臨床結(jié)果，目前尚不清楚。還開發(fā)并提出了機(jī)器學(xué)習(xí)算法來預(yù)測(cè)術(shù)后發(fā)病率和死亡率，據(jù)報(bào)道AUC可能超過0.9。然而，這種預(yù)測(cè)值并不總是能克服簡(jiǎn)單分?jǐn)?shù)（如SORT分?jǐn)?shù)）所能達(dá)到的效果。值得注意的是，臨床醫(yī)生的主觀預(yù)測(cè)已被證明與0.89的AUC相關(guān)。因此，是否需要復(fù)雜的ML評(píng)分來預(yù)測(cè)術(shù)后結(jié)果仍然存在爭(zhēng)議。最近提出了機(jī)器學(xué)習(xí)算法來預(yù)測(cè)血液動(dòng)力學(xué)不穩(wěn)定性，更具體地說，預(yù)測(cè)系統(tǒng)性低血壓。低血壓預(yù)測(cè)指數(shù)（HPI）是根據(jù)動(dòng)脈壓波形的分析計(jì)算的市售ML衍生的得分。它已被證明可以預(yù)測(cè)術(shù)中低血壓5-15分鐘，AUC范圍在0.75-0.95之間。然而，最近的出版物強(qiáng)調(diào)了一個(gè)事實(shí)，即HPI只是平均動(dòng)脈壓（MAP）的反映，因此，其預(yù)測(cè)價(jià)值可能并不優(yōu)于MAP監(jiān)測(cè)。總之，機(jī)器學(xué)習(xí)算法的預(yù)測(cè)價(jià)值是無可爭(zhēng)議的。然而，與現(xiàn)有和更簡(jiǎn)單的方法相比，其優(yōu)越性往往有待確定，因此復(fù)雜性/效益和成本/效益比可能會(huì)受到質(zhì)疑。
預(yù)測(cè)分析的陷阱
預(yù)測(cè)分析至少與四個(gè)主要限制和/或陷阱有關(guān)，如圖2所示。
第一個(gè)是相信一切都是可預(yù)測(cè)的。正如陳和阿施在一部著名的《新英語(yǔ)》中所強(qiáng)調(diào)的那樣。J.Med.社論（Chen和Asch 2017），“再多的算法技巧或計(jì)算機(jī)能力也無法擠出不存在的信息”。Alphabet的子公司谷歌X報(bào)告稱，其在腦電波數(shù)據(jù)中發(fā)現(xiàn)抑郁癥和焦慮癥生物標(biāo)志物的舉措沒有達(dá)到目標(biāo)?？紤]到他們擁有幾乎無限的資源和一支從事該項(xiàng)目的頂級(jí)計(jì)算機(jī)科學(xué)家隊(duì)伍，腦電波數(shù)據(jù)很可能根本不包含他們想要的預(yù)測(cè)信息。此外，有些事件本質(zhì)上是不可預(yù)測(cè)的。例如，哪種算法可以預(yù)測(cè)與手術(shù)損傷（例如，肝臟手術(shù)中的腔靜脈損傷）或決定用丙泊酚推注加深麻醉或鎮(zhèn)靜有關(guān)的低血壓？在手術(shù)和ICU中，多種外部因素容易在一個(gè)方向或另一個(gè)方向上改變臨床軌跡。當(dāng)不存在穩(wěn)定狀態(tài)時(shí)，預(yù)測(cè)短期臨床軌跡變得具有挑戰(zhàn)性。其次，糟糕的數(shù)據(jù)質(zhì)量是阻礙醫(yī)療保健大數(shù)據(jù)革命的主要因素之一。這種限制通常被概括為“垃圾進(jìn)，垃圾出”。事實(shí)上，人們可能會(huì)使用最好的預(yù)測(cè)算法，但如果我們給它提供錯(cuò)誤的數(shù)據(jù)、偽影和/或阻尼的生理波形，那么在邏輯上可能會(huì)得出錯(cuò)誤的預(yù)測(cè)。第三，重要的是要理解預(yù)測(cè)并不一定意味著預(yù)防。當(dāng)預(yù)測(cè)之后沒有一個(gè)或多個(gè)容易改變臨床軌跡的適當(dāng)行動(dòng)時(shí)，從邏輯上講，沒有什么是可以預(yù)防的。在迄今為止發(fā)表的最大規(guī)模的HPI隨機(jī)對(duì)照試驗(yàn)中，麻醉師在警惕低血壓風(fēng)險(xiǎn)的情況下未能預(yù)防低血壓事件。有趣的是，他們中的大多數(shù)人似乎沒有必要和/或權(quán)利給那些血流動(dòng)力學(xué)仍然穩(wěn)定、只有低血壓可能性的患者服用液體、血管升壓藥或止痛藥。這一發(fā)現(xiàn)很好地說明了臨床醫(yī)生不愿信任和遵循人工智能的建議。第四，概率的處理存在風(fēng)險(xiǎn)。因此，人們可能很難想象從治療的角度來看是積極主動(dòng)的。當(dāng)預(yù)測(cè)敗血癥時(shí)，可以通過進(jìn)行細(xì)菌樣本檢測(cè)，或者當(dāng)預(yù)測(cè)臨床惡化時(shí)，可以升級(jí)監(jiān)測(cè)（例如，通過提供持續(xù)監(jiān)測(cè)和/或ICU入院）。這樣做沒有害處?？赡軙?huì)帶來經(jīng)濟(jì)后果，但不會(huì)對(duì)患者造成傷害。相比之下，給敗血癥患者服用抗生素或給低血壓患者服用血管升壓藥可能有風(fēng)險(xiǎn)，因此值得懷疑。對(duì)于可能永遠(yuǎn)不會(huì)發(fā)生的預(yù)測(cè)疾病或不良事件，誰(shuí)會(huì)接受已知副作用的治療？如果出現(xiàn)并發(fā)癥，誰(shuí)來負(fù)責(zé)？大數(shù)據(jù)、人工智能，更具體地說，機(jī)器學(xué)習(xí)算法是醫(yī)學(xué)期刊和科學(xué)活動(dòng)的熱門話題。對(duì)于初創(chuàng)企業(yè)來說，它們也是籌集資金非常有用的關(guān)鍵詞。然而，人們可能會(huì)承認(rèn)，截至今天，從實(shí)用的角度來看，人工智能大象在麻醉學(xué)和重癥監(jiān)護(hù)領(lǐng)域生下了一只老鼠。前瞻性臨床試驗(yàn)是必不可少的，不僅可以評(píng)估人工智能創(chuàng)新的安全性，還可以證明其優(yōu)于現(xiàn)有和更簡(jiǎn)單的方法。在數(shù)字醫(yī)學(xué)時(shí)代，盡管許多醫(yī)學(xué)生渴望從事人工智能項(xiàng)目并參加數(shù)據(jù)馬拉松，但提醒他們“提高護(hù)理質(zhì)量的直接挑戰(zhàn)不是發(fā)現(xiàn)新知識(shí)，而是如何將我們已經(jīng)知道的知識(shí)融入實(shí)踐”可能會(huì)很有用。因此，盡管我們應(yīng)該對(duì)人工智能創(chuàng)新睜大眼睛和耳朵，但我們也應(yīng)該繼續(xù)關(guān)注已知可以提高患者結(jié)果和滿意度的基本舉措（更多的護(hù)士和醫(yī)生，更好的模擬培訓(xùn)，更好地遵守現(xiàn)有指南，以及更好地使用現(xiàn)有監(jiān)測(cè)工具）。
ICU Management & Practice, Volume 23 - Issue 4, 2023
