引言
人工智能（AI）正在迅速改变内分泌学领域，在内分泌疾病诊断、治疗和管理方面展现出令人期待的应用前景。
尽管AI、机器学习（ML）和深度学习（DL）常被互换使用，它们代表的是不同的概念。AI是指设计用于执行通常需要人类智能的任务的计算机系统这一广泛领域。相反，ML是AI的一个子集，使系统能够通过数据进行学习和改进，而无需显式编程。DL是ML的进一步子集，它使用模仿人脑结构的神经网络来分析大型数据集中的复杂模式。
在内分泌学中，研究人员积极研究ML和DL算法以增强筛查和诊断。它们在糖尿病护理、肥胖症和多囊卵巢综合征（PCOS）中的实用性已经得到了证明，AI在这些领域展示了实现早期诊断、优化治疗和预防进一步并发症的潜力。
研究表明，AI驱动的工具有时可以匹敌甚至超越临床医生的表现，简化工作流程，节省资源，并支持更及时、基于数据的临床决策。因此，AI成为管理复杂内分泌疾病的临床实践的宝贵辅助工具。
在内分泌学中，数字数据的量和复杂性正以前所未有的速度增长。这一激增与计算能力的快速进步相匹配，例如生成式AI工具的兴起正在改变数据在临床实践中的应用方式。
这些发展正在推动AI融入日常内分泌护理，从监测生活方式因素的可穿戴设备到如混合闭环胰岛素输送系统这样的复杂系统。随着数据和计算能力的扩展，AI驱动的内分泌诊断和治疗创新潜力也将随之增长。
据马萨诸塞州总医院的认证内分泌学家Alexander Turchin博士指出，AI工具正在通过支持主动、个性化的干预措施改变糖尿病护理。例如，美敦力的Guardian Connect与Sugar.IQ应用程序结合使用AI预测血糖波动，帮助患者预防低血糖事件。其他平台应用ML提供实时行为提示，并标记高风险患者以及时进行临床干预。这些创新已经显示出可测量的益处，包括降低HbA1c、改善时间在范围内、减少急诊就诊和提高依从性。
AI在肥胖症护理中的应用
Rariy博士表示，AI创新正在帮助超越一刀切的方法，使临床医生能够提供更有效和可持续的体重管理策略。
最近的研究还强调了AI利用患者的身高、年龄、体重、种族和教育水平数据预测腰围的能力。研究人员分析了Look AHEAD（糖尿病健康行动）和国家健康与营养调查（NHANES）试验的数据。然后，他们使用一种符合预测的机器学习方法估计腰围并生成一系列值以验证模型的确定性。
该机器学习模型以95%的准确性超越了传统的身体质量指数（BMI）评估，提供了一种更精确的评估肥胖相关风险因素的方法。该模型生成了可靠的估计值，使医生更容易预测患者的肥胖风险而无需测量腰围。
同样，在由萨拉曼卡生物医学研究所（IBSAL）资助的EVIDENT3（ClinicalTrials.gov标识符：NCT03175614）试验中，研究人员评估了移动技术对减重干预的影响。为了评估减重、身体成分和体力活动的影响，研究人员比较了使用智能手机应用程序和活动追踪腕带的干预组与仅接受咨询的对照组。
在3个月时，干预组与对照组相比有小幅改善，包括平均减重0.84公斤。干预组还显示平均BMI减少0.77公斤/平方米，平均体脂质量减少1.84公斤，平均体脂百分比减少1.22%。通过实时跟踪和反馈，AI支持的可穿戴设备和移动健康应用程序维持了行为改变，并通过有针对性的警报减少了提供者的负担，这些警报提示临床干预。
科学家们还在多个阶段的肥胖护理中分析AI辅助临床决策。研究结果表明，机器学习算法可以增强术前风险评估（如肥胖患者的困难插管、阻塞性睡眠呼吸暂停[OSA]或肺功能障碍），辅助术中药物治疗，并预测术后结果（如死亡率、发病率、减重成功、肥胖相关疾病缓解和长期生活质量）。鉴于证据表明，许多医生对与符合条件的患者讨论减肥手术犹豫不决，这项技术的潜力尤其相关。
AI在PCOS中的应用
PCOS是另一种可能受益于AI的疾病，因为其早期检测通常具有挑战性，因其症状与其他疾病重叠。将AI集成到临床工作流程和电子健康记录（EHR）中，有助于实现早期诊断，减轻医疗负担，并改善患者结果。
在一项为期25年的31项观察性研究的系统综述中，研究人员发现机器学习能够准确检测和诊断PCOS，使用标准化诊断标准的研究显示准确率在80%到90%之间。机器学习在各种诊断模式（包括超声波和实验室数据）中表现出色，为解决PCOS的诊断不足和误诊问题提供了一个有前景的工具。
为了应对全球估计的70%的PCOS漏诊问题，研究人员开发了一个使用超声图像进行检测和分类的自动化系统。他们的方法包括使用高斯低通滤波器预处理图像以减少噪声，使用多级阈值分割关键区域，并使用全局图像描述符-多维降维（GIST-MDR）技术提取特征。处理后的数据随后使用支持向量机（SVM）分类器进行分析，该分类器达到了96.92%的高诊断准确率。该模型展示了基于AI的成像工具在支持PCOS早期和准确诊断方面的潜力。
在一项比较72名PCOS女性与73名健康个体的研究中，研究人员应用了BorutaShap特征选择方法和随机森林（RF）算法来识别PCOS患者中的关键预测因子。在58个变量中，对PCOS预测最重要的因素是脂质积累产物（LAP）、腹部周长、BMI以及几种激素和代谢标志物。该模型达到了86%的准确率和97%的AUC。聚类分析揭示了两种不同的PCOS表型，其中一种以较高的BMI、LAP、腹部周长、胰岛素抵抗稳态模型评估（HOMA-IR）和胰岛素水平为特征，表明PCOS中可能存在代谢亚型。
“由于PCOS表现的异质性和多因素性，基于包括激素水平、超声检查结果、代谢标志物和患者报告症状在内的大型数据集训练的机器学习模型可以比传统诊断标准更准确地检测PCOS亚型，”Rariy博士表示。她指出，这些模型可以帮助临床医生区分表型，如胰岛素抵抗型与雄激素主导型，并相应地调整干预措施。
“这种适应性的、数据驱动的方法可以帮助提供者摆脱试错式管理，真正实现对PCOS女性的个性化、整体护理，”她补充道。
缺点与伦理关注
尽管AI和ML在改善慢性内分泌疾病管理方面具有显著的前景，但也存在重要的伦理和操作挑战。主要关注点包括潜在的滥用AI系统以操纵质量指标以获取经济利益，以及对代表性不足的患者群体固有偏见的风险。这些问题可能会削弱提供公平、高质量护理的努力。
另一个缺点是潜在的医患关系削弱。尽管AI可以在诊断、治疗甚至手术任务上提供帮助，但这些技术无法复制医生提供的感情支持、情境理解和伦理决策。保持“人在回路中”的方法对于确保医疗专业人员在患者护理中保持核心地位，维护有效临床实践的基础信任和同情心至关重要。
此外，将AI融入医疗保健还引发了重大的安全和隐私问题，特别是关于管理敏感患者数据的问题。另一方面，保护健康信息将维持公众信任并确保伦理合规。随着领域的发展，负责任的AI应用将优先考虑透明度、人类监督以及持续提供富有同情心的护理。
AI在医疗保健开发中的最大挑战之一，Celi博士表示，是依赖电子健康记录（EHRs）作为基础数据。“EHRs最初是为行政任务——计费、文档和质量跟踪——而不是为捕捉准确AI训练所需的完整临床画面而设计的。因此，这些记录通常缺乏理解和结果之间真实关系所需的深度和精度，”他说。
“这导致模型学习不准确或误导性关联，可能损害患者护理。在构建AI模型之前，如果不改善我们对数据的理解和整理，我们将在AI驱动的决策中面临严重缺陷，尤其是在糖尿病、PCOS、COPD和心力衰竭等复杂条件下，”Celi博士补充道。
展望未来
尽管AI/ML在医疗保健整合中具有潜力，但内分泌学家通常缺乏这些技术的正式培训。大多数内分泌专科项目没有为学员提供使用AI进行诊断所需的技能或信心。
为了更好地为医生准备AI时代，专家建议医学界应专注于：
- 将课程从被动信息获取转向主动知识管理和沟通；
- 培训医生在临床工作流程中与AI和ML工具一起工作；
- 强调评估和应用AI生成数据进行关键临床决策的技能；以及
- 在日益技术辅助的医疗环境中强化同理心和同情心。
展望未来，Rariy博士表示，AI将在内分泌学与女性健康交叉点上发挥日益变革性的作用，因为慢性疾病如PCOS、肥胖症、糖尿病和甲状腺疾病经常共存并随女性生命周期演变。
“AI将实现一个更互联的系统方法，分析激素周期、代谢数据、心理健康指标和社会决定因素的模式，以便更早地检测风险并更精确地定制干预措施，”她补充道。
对此，Turchin博士补充说，AI在临床护理中的不断演变的角色最好被视为支持性而非替代性。
“在实践中，AI工具如提供诊断建议或治疗选项的工具是临床医生的助手，临床医生最终会与患者一起做出最终的护理决策。例如，在血糖管理中，算法可以提供宝贵的建议，”他指出。
“然而，这一过程始终始于讨论：我们向患者介绍各种设备选项，概述优缺点，并赋予他们根据自己的偏好和需求做出选择的能力。即使在采用之后，患者仍保留完全控制权，他们可以覆盖设备的建议，并向护理团队或制造商的支持团队咨询指导，”Turchin博士解释道。
“AI在这里是为了增强而非取代临床判断和以患者为中心的护理。虽然这些工具可以显著提高效率和个性化，但人类临床医生仍然是解释、验证和情境化AI驱动洞察的核心，”他总结道。
【全文结束】
