一个创新的人工智能工具旨在协助医疗专业人员确定医院患者的败血症风险，展示出一个独特的特征：它承认自身的不确定性，并推荐哪些人口统计数据、生命体征和实验室测试结果可以提高其预测能力。
该系统名为SepsisLab，是与在急诊室和重症监护病房（ICU）工作的医疗从业人员的见解共同创建的，败血症这种危及生命的疾病常常发生在这些地方。临床医生对目前基于电子健康记录生成风险评分的现有AI支持应用表示不满，因为该应用未吸纳医疗提供者的意见。
俄亥俄州立大学的研究人员设计了SepsisLab，以在四小时内评估患者的败血症风险。随着时间的推移，该系统识别缺失的患者信息，评估其重要性，并直观地向临床医生展示具体细节如何影响最终风险评估。利用公共和私有患者数据的试验表明，纳入8%的建议信息可使败血症预测准确度提升11%。
“传统模型遵循典型的人机竞争格式，导致ICU和急诊科频繁误报，而没有考虑临床医生的输入，”该研究的资深作者、俄亥俄州立大学计算机科学与生物医学信息学副教授张平说。
“我们的方法旨在通过实施‘人机环路中的AI’策略，将AI整合到决策的每一个步骤中。我们不仅仅是在构建一个工具；我们还让医生参与到项目中。这代表了计算机科学家与医疗专业人员之间的真正伙伴关系，旨在创建一个以人类输入为中心的系统，赋能医生。”
这些发现已于8月24日发表在期刊《KDD ’24: Proceedings of the 30th ACM SIGKDD Conference on Knowledge Discovery and Data Mining》中，并将在8月28日在西班牙巴塞罗那的SIGKDD 2024大会上进一步讨论。
败血症是一种关键的医学状况，可能迅速导致器官衰竭，由于其症状（如发热、低血压、心率加快和呼吸困难）常常与其他疾病相似，导致诊断具有挑战性。这项研究建立在张平及其团队此前的机器学习工作基础上，旨在确定对疑似败血症患者施用抗生素的最佳时机。
SepsisLab被设计为快速生成风险评估，并在每小时更新此预测，随着新患者信息的出现。
“当患者首次入院时，通常会有很多缺失的数据点，尤其是实验室测试结果，”该项目的首席作者、张平人工智能医学实验室的计算机科学与工程博士生尹长长解释道。
在传统的AI模型中，缺失的数据通常通过称为插补的技术用单个估计值进行填补。“然而，插补可能会引入不确定性，从而影响后续的预测，”尹指出。
“如果插补模型难以准确估算一个关键的缺失值，那么理想情况下应该获取该变量。我们的主动感测算法旨在识别这些空白，并告知临床医生哪些额外变量可能需要观察——这些元素可以提高预测准确性。”
同样重要的是，要随着时间的推移最大限度地减少不确定性，并为临床医生提供切实可行的建议。这些建议包括在诊断过程中按重要性排序的实验室测试，以及根据特定医疗干预措施患者败血症风险可能变化的估算。
实验结果表明，整合8%的额外来自实验室测试、生命体征和其他高价值变量的数据，使模型的不确定性降低了70%，这对实现败血症风险预测准确度提高11%起到了重要作用。
“该算法突出显示了最重要的变量，而临床医生的行动有助于进一步降低不确定性，”张平表示，他还是俄亥俄州立大学转化数据分析研究所的一名核心教职员工。“这个基本的数学框架是我们研究的主要技术创新—我们的研究基础。”
张平设想人本中心的AI会成为未来医学的重要组成部分，但强调这些系统必须与临床医生建立信任。
“这不是关于构建一个AI系统来主宰世界，”他澄清道。“医学的本质围绕着假设测试和持续做出细微决策，而不仅仅是回答‘是’或‘否’。我们预见一个场景，其中人类主导互动，利用AI增强他们的能力。”
这项研究得到了国家科学基金会、国家卫生研究院和俄亥俄州立大学总统研究卓越加速拨款的支持。此外，张平获得了额外的NIH资助，以维持与临床医生在该领域的合作努力。
其他合著者包括来自俄亥俄州立大学Wexner医学中心的杰弗里·凯特里诺，以及来自东北大学的姚宾生和王达阔，还有来自IBM研究的陈频宇。
