根据美国疾病控制与预防中心的数据，美国超过三分之一的女性一生中会经历亲密伴侣暴力（IPV）。许多受害者会因受伤、慢性疼痛、焦虑和抑郁前往医院或诊所就诊。然而，即使他们接受了即时症状的治疗，通常要过好几年这些患者才会主动透露自己正在经历的困境。
研究人员多次警告称，由于对施暴者的恐惧、经济依赖、移民身份和污名化等原因，女性往往不敢向医疗保健提供者寻求帮助。美国预防服务工作组建议对所有育龄女性进行常规IPV筛查。然而，美国疾病控制与预防中心估计，目前依赖自我报告的工具仅能捕捉到受影响患者的一小部分。
"尽管患者多年内多次与医疗系统互动，IPV在医疗保健系统中往往仍然隐形，"哈佛医学院创伤影像研究与创新中心创始主任、布莱根妇女医院急诊放射科医生Bharti Khurana博士表示。
Khurana与布莱根妇女医院、麻省理工学院和哈佛医学院的研究人员团队合作，于2026年3月发表了一项研究，提出了一种更快识别IPV的方法。这是一种人工智能模型，通过扫描患者健康记录中已存储的数据来识别伴侣暴力风险较高的患者。但在该工具能够在医院投入临床使用之前，其创建者必须解决围绕安全性和隐私的一些剩余问题。
弥补关键信息缺口
研究人员表示，识别风险所需的数据已经存在。但人们仍在质疑人工智能是否能够可靠且安全地读取这些数据以发挥作用。团队希望通过一个名为AIRS的系统来解决这个问题。
AIRS代表自动亲密伴侣暴力风险支持（Automated IPV Risk Support）。该系统利用两种不同类型的数据，将它们结合起来，以实现比该领域早期工作更高的准确性。
第一种是结构化医疗记录数据，即以行和列形式组织的数据。这包括诊断结果、处方药物、放射学检查位置和时间、急诊科就诊频率、生命体征以及作为社会经济压力代理的邮政编码级别社会剥夺评分。
第二种是非结构化临床记录，即放射科医生、社会工作者、急诊医生和其他临床医生在患者就诊期间和之后撰写的自由文本记录。团队使用在医学文本上训练的临床语言模型Clinical-Longformer处理这些记录，将每条记录转换为模型可以分析的数字形式。
每个数据流都输入到其独立的分类器中。然后使用一个名为HAIM（医学整体人工智能）的框架将它们组合起来，该框架在预测阶段融合输出，同时保持数据流的独立性。因此，如果医院的临床记录不完整或结构化数据缺失足够多，另一个数据流仍能提供贡献。由于临床机构之间的记录保存存在显著差异，这种设计解决了这一关键缺陷。
在主要测试队列中，融合模型达到了0.88的AUC。AUC（受试者工作特征曲线下面积）是衡量模型区分病例和非病例能力的标准指标。1.0是完美的；0.5不比随机猜测好。在包括来自网络中第二家医院的患者以及从未寻求任何家庭暴力项目帮助但获得了IPV确诊诊断的患者在内的所有三个验证队列中，该模型的AUC均保持在0.8以上。
事实上，融合模型在患者自我报告前标记出了80.6%的IPV案例，平均提前预警时间为3.68年。有些患者通过比自我披露早五年以上的记录被识别出来。
亲密伴侣暴力技术的发展历程
这并非首次尝试使用人工智能来识别亲密伴侣暴力的受害者。基于人工智能的评估针对妇女暴力的工具已在多个国家部署或测试了二十多年。
西班牙早在2007年就推出了由其内政部开发的算法风险评估工具VioGén。VioGén被警方使用，在某些情况下也被签发保护令的法官使用。然而，据多家新闻机构的报道，自2007年以来，至少有247名女性在被VioGén评估后被伴侣杀害。对其中98起凶杀案的审查发现，55名女性被评定为风险可忽略或低风险。报告还显示，许多警察 officers 完全遵循算法的评估，没有应用任何独立判断。
在英国，大多数警察部队使用基于问卷的工具DASH（家庭虐待、跟踪和基于荣誉的暴力）对受害者风险进行分诊。曼彻斯特大学和塞维利亚大学研究人员2022年的一项研究发现，DASH并未识别出最脆弱的受害者。此外，在警察数据上训练的机器学习模型显著优于它。然而，该论文也指出，对于此类工具要用于实际执法用途，许多伦理问题仍未得到解决。
与此同时，临床研究人员从不同角度着手解决这个问题。2009年发表在《英国医学杂志》上的一项研究表明，纵向医院记录可以预测未来的家庭虐待诊断。最近，研究人员发表了一种自然语言处理算法，该算法筛查了100多万次急诊就诊中的临床记录是否存在与IPV相关的语言，在识别IPV就诊方面的精确度达到99.5%。在澳大利亚，新南威尔士大学的研究人员应用深度学习分析了新南威尔士警察部队近50万条警察叙述，以预测家庭暴力的重复发生。
然而，鉴于其复杂的含义，这些努力中的大多数尚未扩展到试点项目或局部部署之外。与此同时，自我报告仍然是法律和医疗干预的标准。
"AIRS代表了一种更积极主动的方法，帮助医疗保健提供者识别可能 otherwise 未被发现的患者，"Khurana解释道，尽管它绝非绝对。
Khurana将AIRS描述为一种"无声"的临床支持工具，因为它向临床医生而不是患者显示风险评分。"AIRS不是设计用来诊断IPV的，"她澄清道，"阳性标记绝不应被解释为确认了虐待。"该模型目前正在马萨诸塞州总医院Brigham的多个临床环境中进行积极试点测试。
除了AIRS外，该团队还开发了结构化的"Caring Conversations"指南和面向患者的"Empower Guides"，以帮助临床医生在工具发出警报时以创伤知情的方式作出回应。阳性评分旨在提示支持性对话，而不是自动干预。
伦理争议
尽管AIRS解决了许多先前的担忧，但它可能尚未达到实际临床部署的标准。拉筹伯大学高级讲师、IEEE关于用于评估家庭暴力的人工智能的行业连接活动的联合主席Alexia Maddox表示，有几个问题需要首先关注。
最重要的是，Maddox指出，该论文将IPV定义为现任或前任伴侣实施的暴力或攻击。虽然在严格的临床环境中这可能准确，但Maddox解释说，该领域已经很大程度上超越了这种框架。
澳大利亚主要的家庭暴力风险评估框架MARAM现在将强制控制与身体暴力一起作为风险因素纳入。这指的是施虐者通过情感、财务和技术手段对伴侣生活进行持续控制的模式。例如，在未经同意的情况下跟踪伴侣的电话和地理位置数据，未经许可访问其银行账户等。
这一区别对该模型能检测到的内容有直接影响。AIRS读取身体暴力信号，如骨折模式、急诊就诊和慢性疼痛。但Maddox表示，"强制控制、经济虐待和技术手段的虐待在放射学报告或急诊科记录中几乎不留痕迹。按照目前的理解，这些普遍存在的IPV形式对该模型来说基本上是看不见的。"
因此，经历强制控制但没有身体伤害的患者不太可能出现在从医院记录和家庭暴力项目注册中提取的数据中。
然后是同意问题，Maddox表示这比研究的机构审查委员会批准要深入得多。该模型是基于六年的医疗记录构建的。但部署时，它将为可能未被告知正在被评估的患者生成风险评分。这是研究已经承认的重大挑战，引用了研究表明，在披露过程中侵入性和自主权丧失阻碍了寻求帮助。
对于某些人群，这些风险更高。持有临时签证的女性面临着施虐者将签证取消作为控制工具的情况。Maddox表示，将女性与IPV风险评分关联的数据库，与其完整的医疗和社会经济记录相关联，在美国当前的政治气候下可能带来严重后果。
Maddox还援引VioGén作为证据，证明模型性能指标与其实际结果之间存在差距。
"变革性技术的历史表明，最接近技术突破的人很少能最好地看到其在世界上的后果。这正是为什么治理标准需要在部署前存在，而不是在灾难之后才从废墟中浮现，"她向ZDNET解释道。
同时，Maddox谨慎地区分了这些担忧与对研究本身的批评。"我所描述的限制实际上并不是作者的错，他们正坚定地在自己的研究领域和专业知识范围内工作，"她说。"他们完成了他们设定的目标，并且做得很好。"
她指出，更紧迫的问题是研究证明的内容与最终用于证明的现实世界应用之间的差距。
展望未来
Khurana的团队已经在努力扩展模型的范围以解决其中一些差距。AIRS是使用女性患者的数据训练的，但酷儿、跨性别者和男性患者也面临IPV风险。
"IPV影响所有性别认同的个体，将这项工作扩展到更好地支持跨性别和非二元性别患者是一个重要的未来方向，"Khurana表示。
该团队还一直在研究跨性别患者的伤害模式和医疗保健使用情况，并努力描述伴侣暴力在男性幸存者中的表现，Khurana将这一人群描述为在IPV研究文献中显著研究不足的群体。
在一项与美国国立卫生研究院(NIH)资助的平行项目中，该团队还在努力识别与IPV相关的长期和缓慢发展的健康风险，包括胃肠道疾病、神经系统疾病、心理健康轨迹和物质使用障碍。
与此同时，Maddox联合主持的IEEE倡议专注于在像AIRS这样的工具能够负责任地大规模部署之前需要到位的治理标准。它汇集了研究人员、技术人员、社区组织、从业者和监管机构等参与者，以开发部署AI所需的安全系统和流程，以保护这些高风险人群。
Maddox表示，她相信人工智能应该是应对家庭暴力的回应的一部分，但它是否真正服务于虐待受害者的利益，取决于它如何被设计、部署、治理和监管。同时，她承认，她会描述为达到该标准的模型尚未完全存在，这就是为什么建立这些标准对未来研究很重要。
用实际术语来说，Maddox表示，为应对家庭暴力而构建的AI系统需要"对强制控制在其全部表达范围内的敏感性，跨越文化背景，从一开始就融入社区知识"，并且应该"由以它旨在服务的女性的安全、自主和尊严为中心的框架来治理。"她还重申，社区知识不仅仅是此类技术的伦理附加物；它是区分有效系统与无效系统的关键。
【全文结束】