重症监护病房的人工智能

翻译：王剑荣编辑：刁孟元

摘要

人工智能是可能对医学产生巨大影响的最新技术趋势。人工智能的潜力在于它能够处理大量数据和执行复杂的模式分析。ICU是一个特别有利于人工智能应用的医学领域。目前，许多人工智能ICU的研究都集中在改进高危患者的大量数据以使临床工作流程更有效率。ICU中人工智能医学的新兴课题包括人工智能传感器、脓毒症预测、NICU或SICU中的人工智能，以及人工智能在医学中的法律作用。本文综述人工智能医学在ICU的应用、潜在缺陷和其他与ICU相关的人工智能医学相关主题。

关键词:AIICU，AI脓毒症的评估，ICU数据

背景

重症监护病房(ICU)充满了动态数据，从实时生理参数测量到不断变化的实验室检测。鉴于ICU产生的大量数据，人工智能(AI)为重症监护医生提供了一个黄金机会，可以利用过多的信息来加强患者的治疗决策和优化医生的工作流程。

人工智能是医学领域的最新技术进步，研究工作在大多数医学专业中进行。ICU是一个特别适合人工智能应用的医学领域，因为每天收集大量的复杂数据，用于影响生命关键决策。在此，我们回顾了人工智能的基础，然后讨论了人工智能在ICU的实际应用、概念验证研究、其他最新的人工智能研究，并简要阐述了人工智能在诉讼和医学教育领域对ICU医生的影响。

词汇表

人工智能(AI)：旨在用机器智能模拟人类智能的研究和设计。

机器学习(ML)：人工智能的一个子集，其中机器从例子中学习，而不需要专门用规则进行编程。ML算法可以在数据集上进行训练，以生成基于统计建模的预测。

深度学习(DL)：ML的一个子集，可以应用于多层计算模型，通过使用在每一层中处理的信息来改变机器的内部参数来确定数据集中的复杂模式。DL的方法已被应用于语音识别和目标识别等许多领域。

监督学习(SL)：基于已知输入输出对的训练数据创建预测模型。人类主管为SL算法提供训练数据集和答案密钥，以便机器可以验证其准确性和学习。这是最常见的ML类型，通常用于预测（例如，考虑到心血管危险因素，确定患者再入院的概率）。

无监督学习(UL)：模式寻找算法，探索未标记的数据，以发现不容易确定的关联。训练数据没有被标记，因此机器必须在没有用户输入或答案密钥的情况下识别模式。UL用于分析异质性、多因素的数据，如患者的人口统计学、手术史和生理参数可能如何影响ICU的并发症和死亡率。

强化学习(RL)：平衡SL和UL的方法来做出预测和识别模式。RL可通过优化治疗序列应用于脓毒症的治疗，以最大限度地使患者恢复和降低风险。

人工神经网络(ANNs)：作为可以应用SL、UL或RL的模型的统计程序。神经网络模仿了人类大脑的组织和处理能力。它们拥有“人工神经元”作为“节点”，即处理数据。ANNs一般分为三个主要层：输入、隐藏和输出。输入层接收信息，而隐藏层处理和推导模式，最终产生基于原始信息的输出。ANNs被用于复杂问题建模来生成预测。例如，一个神经网络可以分析患者的数据来预测脓毒症。

其他AI/ML/统计术语：在阅读人工智能论文时，通常会遇到更具体的技术术语，如“贝叶斯网络”、“随机森林”和“梯度增强方案”。这些术语通常都是指形成或增强预测模型的数学和统计方法。表1简要说明了读者可能会遇到的人工智能模型的内部工作原理的情况。一个特定的人工智能算法的选择在很大程度上取决于两个因素：1)历史研究2)问题的结构。例如，作者将根据过去的尝试来证明他们使用某个数学公式或成本函数（量化模型所产生的误差量）。其他研究将更喜欢一种基于相关变量（如名义、顺序、连续、不连续数据）的另一种方法。尝试多种人工智能方法是很常见的，仅仅因为作者想要比较和对比，以突出最优的模型。在临床上，评估人工智能方法的临床影响对于避免迷失在技术方言是至关重要的。下一节将重要讨论医学的解释法。

人工智能工具：从临床角度解释

人工智能研究对算法和统计技术的选择差异很大，可以从临床角度可以使解释变得复杂。然而，即使没有工程或深度学习方面的广泛专业知识，也可以采取一些步骤来对医学人工智能研究进行更好的评估。

首先，所有的人工智能模型，作为其核心机制，都会对它们所给出的数据进行预测，因此评估训练数据的偏差是非常必要的。通常，输出数据质量取决于输入数据质量。例如，样本量可能太小，或者不能代表一般人群。研究可以利用免费获取的临床数据库；确定人工智能模型是否适用于多个数据源，而不是只适用于一个数据集是至关重要的。作者选择的变量或输出需要进行检查，以避免错过临床决策背后的生理关系和逻辑。数据集通常需要在分析前进行“清理”或重组。研究人员如何管理他们的输入数据可能会影响模型预测的有效性和可重复性。

其次，人工智能模型需要与基线模型进行比较，基线模型可以是传统的检查表或调查表，以具有现实的临床意义。例如，诊断准确性的差异是否显著到足以保证将人工智能整合到临床实践中的支持？也就是说，2%的改进很可能不会推动人们向人工智能模型的转变。当没有基线模型，评估是基于临床效用（例如，该分类方案是否会影响临床预后？）以及新颖性（例如，该模型是否包含了一个未得到充分识别的变量？）。第三，从临床角度进行的主要分析应该基于人工智能模型产生的结果和预后。诊断人工智能论文通常通过报告受试者工作特征曲线(ROC)来对其模型的性能进行评分，曲线绘制为真阳性率和假阳性率，曲线下面积(AUC)作为有效性指数（考虑特异性和敏感性）。AUC值接近1意味着模型完美地分离了分类（例如，患病与非疾病），而值为0表示模型的预测%不正确。虽然AUC可以评估一个模型在分类方面的效果，但它们不会产生用于优化的信息（例如，假阳性的成本）。

目前人工智能在ICU中的应用

除了描述人工智能目前如何在ICU中的应用外，我们还编制了一个关于一些研究的表格，以提供进一步的理解。表2包括了突出显示的AI/ML模型，如何选择AI/ML方法，以及模型取得了什么成就。

脓毒症预测

医院死亡的主要和昂贵的原因，在过去几十年里发病率不断增加。将人工智能方法应用于脓毒症评估的目的是比传统方法更早地准确诊断脓毒症，从而减少脓毒症的并发症。通过围绕系统炎症反应综合征(SIRS)、快速脓毒症器官相关失败评估(qSOFA)和改良早期预警评分(MEWS)设计的电子警报，人们一直致力于预防脓毒症。这些传统的预测模型目前被用作对比现代ML算法兴起的基准。一项回顾性研究验证了一种脓毒症预测因子(由Daspina开发的InSight)，该因子仅在发病前4小时使用6个生命体征来预测脓毒症，受试者工作特征曲线(AUC)下的面积为0.96，优于传统方法。一项观察性队列研究的人工智能脓毒症专家(AISE)能够在临床识别前4-12小时准确预测脓毒症，同时产生一份最重要的因素列表。

脓毒症预测是一个实时的主题，需要不断改善，新出现的研究相互参考。例如，一项研究使用了长期短期记忆(LSTM)模型，该模型比InSight更准确地预测脓毒症。其他研究将ML算法集成到实时临床实践中。一项研究证实了Insight对患者预后的积极影响——降低死亡率、脓毒症相关住院时间(LOS)和脓毒症30天再入院率的筛查。另一项使用Insight的前瞻性随机对照试验显示，LOS和死亡率显著降低，这可能是因为人工智能能够连续分析患者数据。

在日常临床实践中集成一个AI/ML脓毒症预测器，既可以通过使用商业产品，也可以通过从已发表的研究中下载一个开源算法来完成。我们建议商业产品由通常在公司网站上找到的同行评审验证研究的数量和质量来核实。对于开源代码，这些算法可以在来自重症监护医疗信息市场(模拟III)的回顾性数据或开源数据库上进行训练，这些数据库通常用于验证AI-ICU研究。MIMICIII包含了来自BethIsraelDeaconess医疗中心（波士顿，马萨诸塞州）的ICU患者信息的有组织的数据集。或者，在完全将人工智能纳入临床工作流程之前，这些算法也可以作为对传统方法的初步研究。

机械通气

机械通气是急性呼吸衰竭(ARF)的主要治疗方法，在ICU患者中很常见。人工智能方法允许快速分析异质变量，以帮助医生评估早期干预。人工智能是一种实现机械通气个性化控制的现代策略。当患者的需求和呼吸机输送之间存在不匹配时，发生患者-呼吸机异步现象。使用ML框架，一项研究能够通过解释不同的患者呼吸机异步波形来复制人类的专业知识。人工智能有能力通过自动化和持续监测患者的能力来减轻工作量。一项关于肺模拟器的概念验证研究使用了关于流量和气道压力的监督学习方法来准确测量患者的肺力学，并可能用于根据每个患者的个人情况调整呼吸机设置。

除了个性化治疗外，人工智能还可以支持医生的工作流程作为临床决策支持系统，因为医生和护士不能总是在场监测患者。一项单中心试点研究开发了ML模型，以预测呼吸机设置改变5分钟后机械通气儿童经皮氧饱和度(spo2)的变化，但没有一个AUCs超过0.75。因此，这是需要进一步研究来验证人工智能在这个问题上的效用的一个例子。人工智能方法适用于客观地模拟复杂的生理条件和随后患者反应的变化。分泌物清除是预防呼吸机相关肺炎的最密集的护理干预措施之一，也可以通过人工智能提供帮助。神经网络已经被测试来分析和分类痰声，以确定是否需要气道清除。目前还没有标准化的系统来描述通气模式的设置。然而，人工智能已经被提议被用作一种用于临床决策支持系统的通气模式分类器。关于机械通气-临床决策支持系统中每次呼吸配置的最新信息可以指导医生选择通气模式。何时使用或撤除机械通气设备至关重要。

何时使用或移除机械通气设备是人工智能研究正在解决的一个关键领域。人工智能的计算能力使临床医生能够快速获取大量ICU历史数据，就像人类从多年的经验中得出结论一样，从而预测ICU患者的预后。冠状动脉搭桥术后早期拔管是降低死亡率的关键。一项回顾性单中心研究使用ANNs准确预测延长机械通气(＞24小时)，并确定了三个独立的危险因素：较高的BMI、射血分数降低和使用体外循环(除了高龄，这是一个公认的标准)。除了容纳大量变量外，AI方法还可以用来识别哪些变量对预测的贡献最大，如上面的研究所示。

外科病人经常需要进入重症监护室。无论手术类型如何，ICU住院的风险预测对费用和机械通气单元的分流非常重要。一项前瞻性研究将实时数据与人工智能预测工具结合在一起，将择期手术患者的ICU收治纳入麻醉医生的日常临床工作流程。随机森林模型的AUC为0.91，特异性80.3%，敏感性73.3%，与人类专家的结果相当。

延长机械通气和气管造口术在ICU中很常见，然而，目前还不清楚如何根据病人的数据来预测何时进行手术。一项回顾性研究使用了带有梯度增强决策树的监督学习模型，预测延长机械通气AUC为0.，气管切开术AUC为0.。脱机困难，将病人从呼吸机上缓慢移除有一个分类系统，由年国际共识会议构建，在脱机过程后使用。人工智能实验已经基于这一分类系统创建了预测模型，以预测脱机前拔管的难度，以帮助管理策略。

预测死亡率，预后，住院时间，再入院率

目前大多数ICU人工智能研究的目标是预测ICU住院期间的并发症。传统的死亡率预测模型和严重程度评分系统，如死亡率预测模型(MPM0)和急性生理学和慢性健康评估(APACHEIII)，分别有局限性，如在入院时缺少数据点或仅在入院24至48小时后才能使用。人工智能方法已经被提出作为这些挑战的解决方案，因为机器能够不断更新和学习提供的数据。一项单中心的研究采用随机时间抽样方案和梯度增强方法，以实现AUC为0.92预测患者个体死亡率。理想情况下，ICU医生能够在入院后24小时内作出早期预测。一项研究在准确性(AUC=0.90±0.1)和速度(入院后6小时的患者数据)方面优于传统的预测模型(qSOFA)。其他研究没有使用传统的评分系统，而是使用人工智能来更新和改进这些系统。在一项全国队列研究中，使用了基于传统评分方法简化急性生理学评分(SAPS3)的神经网络ANNs准确地预测了ICU入院后1小时内收集的数据的30天死亡率。

在病人进入ICU时，评估潜在的并发症是至关重要的。DL方法已被回顾性应用于入院时的多因素患者资料。这些数据包括人口统计学、生命体征、凝血和出血特征，所有这些数据都可以预测死亡率、出血和肾衰竭。DL模型提供了对所有三种结局的准确预测，显著优于标准的临床参考工具，包括术后出血的临床规则、简化急性生理学评分II和肾脏疾病。改善急性肾功能衰竭的全球结局分期标准利用该模型，ICU工作人员可以迅速评估哪些患者面临最大风险，并合理分配资源。

预测LOS是AI/ML在ICU可用空间和资源管理中的一个有价值的应用。一项研究展示了使用高斯过程(GP)模型来预测手术后可能的出院日，以及非急诊心脏手术患者的出院日。模型仅使用入院后4小时的患者数据。这再次支持了“人工智能能够通过早期数据提供有用信息”的主题。

此外，在患者出院前准确预测再入院风险可以促使医生对患者进行重新评估，减少可预防的再入院。人工智能建模可以帮助临床医生识别哪些生理变量对再入院最有帮助。一项研究训练了逻辑回归ML模型在一个简单的生理测量，然后确定了分组的生理和用药趋势来预测30天ICU再入院的风险该模型优于所有比较模型，其AUC比最佳模型高出近4%。

NICU和SICU

新生儿重症监护室(NICU)的正确决策对早产儿和高危新生儿的管理至关重要。利用新生儿重症监护室产生的大量生理数据，人工智能可以为面临最大并发症风险的新生儿提供及时警告。人工智能在新生儿重症监护室的应用目前有两个主要组成部分:预测死亡风险和为适当干预的持续时间提供建议

新生儿重症监护室通常使用人工神经网络预测婴儿死亡率。他们有能力从现有的患者数据中学习，并根据新的患者数据进行预测。例如，ANNs可以分析胎龄、体重和APGAR评分之间的关系，从而建立一个预测模型来评估婴儿死亡率。生理和实验室参数也被用来开发模型，估计新生儿重症监护室的LOS和通气时间。尽管ANNs提供了一种基于证据的方法来预测新生儿重症监护室，但与其他统计模型相比，它们偶尔可能表现不佳，应由临床专家进行验证。

从数据挖掘分类到认知分析再到人工神经网络，在新生儿重症监护室中应用了大量的机器学习技术。然而，对于任何一种技术的优越性并没有普遍的共识，目前的文献表明使用多种ML技术的组合是最好的。

人工智能和医生文档的自然语言处理已经被用来预测SICU的死亡率。人工智能接受了医生笔记和/或牛津急性疾病严重程度评分(OxfordAcuteSeverityofdiseaseScore)的培训，这些评分从MIMICIII数据库中检索。这项研究评估了名SICU住院患者，发现AI接受了严重程度评分的医生记录训练，其AUC为0.88，准确率为94.6%。作者强调了分析医生记录和词语选择(一种非传统的数据集)，与单独客观评分相比，可以改善评估。人工智能可以用来模拟在预测模型中增加或减少感兴趣的变量的效果。结合生理参数，人工智能和自然语言处理可以作为预测SICU死亡率的潜在工具。

ICU的AI传感器

传统上，传感器收集数据，人类根据数据做出决定。人工智能程序根据传感器数据进行决策时，会使用人工智能传感器。通过持续监测患者数据，人工智能已经更多地参与到临床决策系统中。人工智能正在逐步集成到传感器技术中，以帮助临床医生。我们进行了一项初步研究，以评估传感器技术和人工智能如何应用于ICU谵妄的评估，这将在下一节讨论。该研究评估了17名SICU患者，并为他们配备了可穿戴加速计、光和声传感器。以重症监护病房(CAM-ICU)精神错乱评估模型作为谵妄诊断的参考标准。广泛的测量包括人脸检测和识别、面部表情识别、姿势识别、肢体运动分析、声压级检测、光级检测和访问频率检测。基于人工智能对记录数据的分析，谵妄患者与非谵妄患者在患者活动和环境方面存在显著差异。本实验论证了人工智能在SICU患者自主监护中的应用，可能有助于减少护理评估的主观性和重复性。人工智能正在从分析传统的数字数据(如血压、血氧饱和度)向定量的人类观察以及整合不同形式的数据(如图像、实验室数据)迈进。

另一项研究开发了一种标准的葡萄糖评分标准和一种新型的基于人工智能的葡萄糖控制器，与耶鲁协议或Gluc


本文编辑：佚名
转载请注明出地址  http://www.tljfr.com/jbby/13515.html