导读
文章梳理了各类ML算法在风湿病诊疗领域的应用，并提出未来AI系统在临床应用需要解决的四大问题。
临床决策支持系统（CDSS）的应用价值是提高诊疗质效、节省资源、避免差错。近年来，借助人工智能（AI），CDSS得到了突破性的进展。利用机器学习（ML）算法从数据中不断学习与发现新知识，以预测个体疾病进展、更快检测问题或支持治疗决策。
近期，一篇发表于Zeitschrift für Rheumatologie（风湿病学杂志）的综述论文指出，针对风湿病的ML算法已有应用，其中最先进的是类风湿性关节炎（RA）的影像自动识别和疾病进展预测。文章梳理了各类ML算法在风湿病诊疗领域的应用，并提出未来AI系统在临床应用需要解决的四大问题。
01
基于CDSS应用规则保障诊疗质量与规范
CDSS可根据知识库的形成方式，分为基于知识库的CDSS和非基于知识库的CDSS。基于知识库的CDSS的构建旨在提高治疗质量，通过智能化提示为临床医生提供决策支持；这种支持通常是通过“指定在哪种情况下做什么”的决策树算法来完成的。
决策树算法是一种基于规则的方法，它通过自动审查诊断过程，在需要时发出相应提醒和警告（例如存在药物相互作用的情况时），以保证整个过程符合诊疗指南／规范和RA达标治疗策略（如图1所示）。
另外，电子病历可借助CDSS提示RA患者的风险因素，如性别、C－反应蛋白（CRP）、抗环瓜氨酸肽抗体（Anti－CCP）或X线报告，判断是否存在进展高风险。借助自然语言处理技术，系统还可以自动识别相关信息从而在电子病历中查找脊椎炎患者。
图1：基于知识的决策系统vs基于AI的治疗决策
借助移动应用程序，药物管理（如合规性）和患者报告结果（PRO）的相关数据也可以集成到 CDSS 中，帮助风湿病医生更轻松地做出决策并节省时间。相关研究还显示，当支持患者管理和药物管理的CDSS应用于幼年关节炎患者诊疗中时，疾病活动性显著降低。
02
基于AI的CDSS为风湿病诊疗决策带来更多可能
与基于知识库的CDSS相比，基于AI的CDSS理论上可以支持更广泛、更灵活的治疗决策，也开辟了更多可能性。目前，此类系统主要输入来自电子病历、健康信息登记册的临床数据。在一项规模较小的研究中，ML模型可以预测在逐渐减少生物制剂DMARDs（改善疾病的抗风湿药物）治疗时个体RA的发作情况，预测准确率可达80％；其中主要变量是潜在的剂量减少、疾病活动、疾病持续时间和炎症参数。
在其他一些RA研究中，除临床数据外，还使用了组织学和分子学数据来鉴定RA表型。比如，使用脱氧核糖核酸（DNA）甲基化或遗传数据研究肿瘤坏死因子（TNF）抑制剂的治疗反应。在使用TNF抑制剂的治疗中，ML正确预测了80－90％的病例对药物有反应或无反应。可见，临床数据和生物医学数据的汇聚并非不重要。这种汇聚需要特殊的网络来实现，比如通过收集可穿戴设备的数据，ML能可靠地发现耀斑。
在最近一篇关于ML算法应用于自身免疫疾病的综述中，文献被分为以下主题：患者识别；风险预测；诊断；表型分析；疾病进展、结局或管理的预测。文章指出，表型分析和疾病进展预测与疾病治疗过程最相关，并进一步讨论了ML算法在这些方面的应用。
监督学习算法可以让计算机在未来疾病发生的任一时刻向临床医生和患者发出警告，即使没有临床关节肿胀或CRP升高等症状和指标。治疗方法因此可以尽快调整，甚至采用预防性措施，而不是被动反应，从而降低药物剂量，减少副作用，节约成本。
神经网络算法仅用9个临床变量，对英夫利昔单抗疗效的预测准确率达到92％（2016年）；增加英夫利昔单抗剂量的决定也可以通过ML进行有效分类并预测。此外，ML可以从真实数据集以及各种对照研究中预测患者对托珠单抗单药治疗的反应。
回归分析算法可以在特定条件下预测疾病活动数值。在这种情况下，CDSS不仅可以检查达标治疗策略的一致性，还可以实现潜在的更有效的达标治疗策略。假设，数据库本身会随着AI控制的治疗决策改进而改变，那么接下来也会促进预测的改善。
聚类分析算法应用于电子病历等，可以识别新的类风湿表型，从而更容易对未来的“患者旅程”进行分类。目前，我们主要根据临床特征和自身抗体模式对重叠综合征进行分类；而“聚类”可以在更高层次上进行分类，包括用药的结果和反应。假设“聚类”在未来能改进专家分类标准，那么这种改进通常是通过无监督学习算法完成的，它曾被应用于一项关于病理类型和基因表达的RA研究，并确定了3种不同类型的滑膜炎。
强化学习算法可以基于治疗结果的持续反馈（比如借助App）不断改进治疗，以实现中长期最佳临床效果。
03
CDSS决策过程是医患共同参与的决策过程
在基于ML的CDSS应用中，医生和患者又各自扮演着怎样的角色呢？文章认为，未来的CDSS应当是综合决策支持——医生和患者共同参与，而不是将AI辅助的治疗选择强加给医生。
首先，ML容易受到不完整、不正确和非特定数据（也称无用输入无用输出）的影响。因此，医生必须首先向学习系统说明在做出治疗决定时必须考虑哪些信息。
其次，可以让患者选择哪种结果对他们来说最重要。这种选择并非必须是疾病活动的重要标志，也可以是疲劳等症状；接下来根据患者的选择，对AI进行专门训练，以获得最有效的医疗措施或非医疗干预措施建议。
图2：AI场景——支持患者和医生参与的临床决策
最后，治疗决策是一个非均相的平衡过程。在这个过程中，临床医生需要考虑各类型信息，以便连贯、充分地了解患者情况，并得出负责任和合理的结论。
04
未来用户通过可视化仪表盘进行交互管理
在概述了具备足够定性数据可用条件下，基于AI的风湿病治疗决策技术的可行性后，文章提出，未来AI系统的临床应用要解决好四大问题：
首先，要让临床医生和患者都习惯新的治疗模式，这需要做出很多改变。除了AI，医生的专业知识和患者的决定（包括个人、家庭和非客观因素）的参与都必不可少的。
其次，治疗决策如何适应未来的临床工作流程。比如对于新药来说，可用数据点较少，所以AI系统在一开始很可能很少考虑到这些数据。理论上讲，这种情况下AI系统甚至可能成为创新的阻碍。
第三，未来用户如何与AI系统交互，这是一个重要的问题。虽然现在医生可以通过语音识别技术接收各类信息，但文章认为，仪表盘形式的可视化平台更适合AI系统，它可以向医生展示不同的提示结果，及其准确性和不确定性。虚构AI仪表盘可视化示例如下图所示。
图3：基于AI的虚拟疾病管理界面的图形化仪表盘
最后，必须采取预防措施，以确保AI的建议不会给患者带来风险（如过敏、肾衰竭等）。这意味着，在数据不完整或质量差的情况下，有时AI不会给予任何建议。此时就出现一个问题，谁应该为AI治疗决定的后果负责。文章认为，应该假定主治医师在任何情况下都必须核实建议的合理性，并对此负责。
【责任编辑：苏夏】
——本公众号所有图文，未经许可，严禁转载！
如需转载，请提前与编辑联系取得转载许可。否则视为侵权！