人工智能在慢性内分泌疾病管理中的应用前景AI Offers Promise in Chronic Endocrine Disease Management

人工智能在慢性内分泌疾病管理中的应用前景

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巨大潜力。1

尽管AI、机器学习（ML）和深度学习（DL）常被混用，但它们代表不同概念。AI是指设计执行需要人类智能的任务的计算机系统的大领域；ML是AI的子集，使系统无需显式编程即可学习和改进数据；DL则是ML的进一步子集，使用模仿人脑的神经网络分析大型数据集的复杂模式。1

在内分泌学领域，研究人员积极探索ML和DL算法以增强筛查和诊断。这些技术在糖尿病护理、肥胖症和多囊卵巢综合征（PCOS）中的应用已显示出潜力，能在早期诊断、优化治疗和预防并发症方面发挥作用。1

研究表明，AI驱动的工具有时能匹配或超越临床医生的表现，简化工作流程、节约资源并支持更及时的数据驱动临床决策。因此，AI成为管理复杂内分泌疾病的重要临床辅助手段。2

在内分泌学领域，数字数据的体积和复杂性正以前所未有的速度增长。这种增长与计算能力的快速进步相匹配，生成式AI工具的兴起正在改变临床实践中数据的应用方式。3

这些发展使得AI整合到日常内分泌护理成为可能，从监测生活方式因素的可穿戴设备到混合闭环胰岛素输送系统等先进系统。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增长。3

据贝斯以色列女执事医疗中心（BIDMC）医学副教授、麻省理工学院BIDMC临床信息学部成员莱奥·切利医学博士（Leo Celi, MD）表示："我们必须区分作为医疗设备的软件和非设备临床决策支持系统。AI旨在增强而非取代临床判断和以患者为中心的护理。这些工具虽能显著提升效率和个性化，但临床医生仍是解释、验证和情境化AI驱动见解的核心。"

医疗保健中AI的历史概述

AI的起源可追溯到1950年代初艾伦·图灵提出的"图灵测试"。他提出了一个深刻而直接的问题："机器能像人类一样思考和决策吗？"这一问题为塑造AI未来的关键发展奠定了基础。4

1956年达特茅斯AI会议被广泛视为AI的诞生地，催化了这一概念的广泛应用，并在包括医疗保健在内的各行业中设定了发展步伐。到1964年，这股势头催生了ELIZA——由麻省理工学院人工智能实验室的约瑟夫·魏岑鲍姆开发的世界首个聊天机器人。4

1970年代见证了AI在医学中的崛起，INTERNIST-1成为首个人工医学顾问，帮助减轻临床决策负担，并为医生提供通过搜索算法从患者症状生成诊断的交叉检查工具。4

现代AI时代始于2000年代初，医疗保健应用取得重大进展，所需输入已超越症状本身。2007年，IBM推出沃森系统，利用自然语言处理（NLP）和深度问答（QA）架构从海量数据源提取洞见，展现了超越临床诊断的能力。4

维萨纳健康公司董事会认证的内分泌学家兼首席临床创新官切冯·拉里医学博士（Chevon Rariy, MD）讨论了管理慢性内分泌疾病中的AI现状："多年来，AI在普通医学中的角色已从早期的基于规则的专家系统转变为如今重塑慢性内分泌疾病管理的复杂数据驱动平台。"

她继续说道："早期受限于狭窄逻辑和差扩展性的AI潜力在2000年代随电子健康记录的数字化而扩展，机器学习开始从大型多样化数据集中解锁洞见。2010年代标志着转折点，预测算法和可穿戴设备的兴起验证了AI的临床效用。"

糖尿病护理中的AI应用

麻省总医院董事会认证的内分泌学家亚历山大·图钦医学博士（Alexander Turchin, MD, MS）也参与了讨论："在更广泛的内分泌学领域中，最显著的发展之一是在糖尿病管理方面，特别是在接受胰岛素治疗的患者中。越来越多地使用算法驱动的工具支持实时胰岛素剂量调整，实现更个性化和响应性的治疗。"

糖尿病患病率上升、并发症增加和专科医生获取受限给护理传递带来重大挑战。健康差异和用药依从性差进一步加剧这些问题，凸显出需要更高效和可扩展的护理模式。与传统统计模型相比，AI提供了一种有前景的解决方案，可以识别可修改的风险因素并制定个性化预防和治疗干预。5

最近，研究人员确定了AI在糖尿病及其共患病的预防、早期诊断和管理中的作用。科学家开发了生成式AI、模式识别和大型语言模型（LLMs）来分析临床数据、生活方式因素和治疗方案，预测患者结果和治疗反应。通过这些工具，内分泌学家可以提供个性化护理、调整药物剂量并做出更明智的治疗决策。6

一项值得注意的研究探索了监督式机器学习模型评估个体2型糖尿病（T2D）风险的应用。研究团队采用浅层神经网络架构从头训练了一个二元分类器，检测糖尿病发作与各种患者健康参数之间的非线性关系。在他们的消融研究中，使用Adam算法优化的模型在测试集上达到了约86%的准确率，曲线下面积（AUC）高达0.934。这些发现突显了该模型作为个性化糖尿病风险预测和临床决策支持工具的潜力。7

为提高T2D护理的精确性，斯坦福医学院的研究人员开发了一种AI驱动的算法，该算法可以使用连续血糖监测仪（CGM）数据区分关键糖尿病亚型。研究人员分析了54名个体的CGM数据（21名糖尿病前期患者和33名健康个体），显示该算法可以以高达90%的准确率准确识别胰岛素抵抗和β细胞缺乏等代谢亚型。通过捕捉传统临床环境之外的细微葡萄糖模式，该工具提供了更便捷的即时检测早期预警信号和定制干预的方法。这项创新可能有助于优化糖尿病管理并塑造未来预防糖尿病并发症的策略。8

类似地，关于AI算法在糖尿病视网膜病变（DR）诊断和分类中的应用也报告了有希望的结果。这项进展的核心是由研究人员开发的深度学习模型，该模型使用卷积神经网络（CNN）评估眼底图像进行DR分期和眼侧性检测。使用公开的Kaggle DR数据集（包括88,702张彩色眼底图像），该模型在DR分类中的灵敏度达到80.28%，特异性达到92.29%。在单独分析中，该模型使用8810张图像训练以检测眼睛的侧性，并达到了93.28%的验证准确率。基于这些结果，研究人员继续探索其他基于图像的算法在内分泌学中的应用。1

仍需进一步进展，但拉里博士指出："越来越多的证据表明，AI工具正在将糖尿病护理从被动反应转向预测性和个性化。"她补充道："AI工具通过支持主动个性化干预正在改变糖尿病护理——例如，美敦力的Guardian Connect与Sugar.IQ应用程序结合使用AI提前数小时预测血糖波动，帮助患者预防低血糖事件。其他平台应用机器学习提供实时行为提示并标记高风险患者以进行及时临床干预。这些创新已显示出可衡量的益处，包括降低HbA1c水平、改善血糖时间范围内控制、减少急诊就诊次数和提高依从性。"

肥胖症护理中的AI应用

拉里博士表示，AI创新正在超越一刀切的方法，使临床医生能够提供更有效和可持续的体重管理策略。

最近的研究还凸显了AI预测腰围的能力，使用患者身高、年龄、体重、种族和教育水平的数据。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。他们随后使用一种共形预测机器学习方法估算腰围并生成一系列值来验证模型的确定性。

该机器学习模型以95%的准确率超过了传统的身体质量指数（BMI）评估，提供了更精确的肥胖相关风险因素评估方法。该模型生成了可靠的估计，使医生更容易在不测量患者腰围的情况下预测其肥胖风险。9

同样，在西班牙萨拉曼卡生物医学研究所（IBSAL）资助的EVIDENT3（ClinicalTrials.gov标识：NCT03175614）试验中，研究人员评估了移动技术在体重管理干预中的影响。为了评估减重、身体成分和身体活动对超重或肥胖成年人的影响，研究人员比较了使用智能手机应用程序和活动追踪手环的干预组与仅咨询对照组。

在3个月时，干预组相比对照组看到了适度改善，包括平均减重0.84公斤。干预组还显示出平均BMI降低0.77 kg/m²，平均体脂质量减少1.84公斤，平均体脂百分比降低1.22%。通过支持实时追踪和反馈，AI驱动的可穿戴设备和移动健康应用程序维持了行为改变，并通过目标警报减少了临床医生负担，这些警报提示临床干预。10

科学家们还正在分析AI在多个阶段的肥胖护理中的辅助临床决策应用。研究发现表明，机器学习算法可以增强术前风险评估（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（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）。鉴于证据显示许多医生对与符合条件的患者讨论肥胖手术犹豫不决，这项技术的潜力尤其相关。11

多囊卵巢综合征（PCOS）中的AI应用

PCOS是另一个可能从AI中受益的疾病，因为其早期检测往往由于与其他疾病症状重叠而具有挑战性。将AI整合到临床流程和电子健康记录（EHR）中可能有助于克服这一挑战，实现更早诊断、减少医疗负担并改善患者结果。12

在对25年来的31项观察性研究的系统综述中，研究人员发现机器学习在使用标准化诊断标准的研究中准确检测和诊断PCOS的准确率在80%到90%之间。机器学习在包括超声和实验室数据在内的各种诊断模式中表现出强劲的性能，提供了应对PCOS诊断不足和误诊的有前景的工具。12

为解决全球估计的70%的PCOS诊断不足问题，研究人员开发了一种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-多维降低（GIST-MDR）技术提取特征。处理后的数据随后通过支持向量机（SVM）分类器分析，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早期准确诊断中的潜力。13

在一项比较72名PCOS女性和73名健康个体的研究中，研究人员应用BorutaShap特征选择方法和随机森林（RF）算法识别PCOS患者的关键预测因素。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，一种表现为更高的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，表明PCOS中可能存在代谢亚型。14

拉里博士说："由于其异质性表现和多因素性质，使用大型数据集（包括激素水平、超声检查结果、代谢标志物和患者报告的症状）训练的机器学习模型在检测PCOS亚型方面可能比传统的诊断标准更准确。"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，并相应地定制干预措施。

她补充道："这种适应性的数据驱动方法可以帮助医疗提供者从试错式管理转向真正个性化的整体护理，为患有PCOS的女性提供更精准的治疗方案。"

缺点和伦理关注

尽管人工智能和机器学习在改善慢性内分泌疾病管理方面具有重大潜力，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获取经济利益的风险，以及加剧对未被充分代表的患者群体固有偏见的风险。这些问题可能损害提供公平、高质量护理的努力。2

另一个缺点是可能削弱医患关系。虽然AI可以辅助诊断、治疗甚至手术任务，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。保持人机结合的方法对于确保医疗专业人员仍处于患者护理的核心至关重要，以维护有效临床实践的基础——信任和同情心。1

此外，将AI整合到医疗保健中引发了重大的安全和隐私问题，特别是在管理敏感患者数据方面。另一方面，保护健康信息将维护公众信任并确保伦理合规性。随着该领域的发展，负责任的AI应用将优先考虑透明度、人类监督和持续提供富有同情心的护理。2

切利博士指出，医疗保健AI开发的最大挑战之一是依赖电子健康记录作为基础数据。"电子健康记录最初是为了行政任务——计费、文档和质量跟踪——而不是为了捕捉准确AI训练所需的完整临床画面。因此，这些记录往往缺乏理解临床特征与结果之间真实关系所需的深度和精度。"

他补充道："这导致模型学习不准确或误导性的关联，可能危及患者护理。在改善对数据的理解和整理之前构建AI模型，我们面临AI驱动决策中的严重缺陷，特别是在糖尿病、PCOS、COPD和心力衰竭等复杂疾病中。"

展望未来

尽管内分泌学家在医疗保健AI/ML整合中具有领导潜力，但大多数内分泌专科项目并未为培训人员提供使用AI进行诊断所需的技能或信心。2

为了更好地为医生准备AI时代，专家建议医学界应注重：

• 将课程从被动信息获取转向主动知识管理和沟通；
• 培训医生在临床流程中与AI和ML工具协作；
• 强调评估和应用AI生成数据进行关键临床决策的技能；
• 在日益技术辅助的医疗环境中强化同理心和同情心。2

展望未来，拉里博士表示，AI将在内分泌学与女性健康交汇点发挥日益变革性的作用，在女性生命历程中，PCOS、肥胖症、糖尿病和甲状腺疾病等慢性疾病往往共存并演变。

她补充道："AI将使更加互联的系统性方法成为可能，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，以更早地检测风险并更精准地定制干预措施。"

图钦博士补充说，AI在临床护理中的演变角色最好视为支持而非替代。

他指出："在实践中，提供诊断建议或治疗方案的AI工具是临床医生的助手，后者最终与患者共同做出最终护理决策。例如，在血糖管理中，算法可以提供有价值的建议。"

他解释道："然而，这一过程总是从讨论开始：我们向患者展示各种设备选项，概述优缺点，并根据他们的偏好和需求授权他们选择。即使在采用后，患者仍保留完全控制权，他们可以覆盖设备的建议并咨询其护理团队或制造商的支持团队寻求指导。"

他总结道："AI在此处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，但人类临床医生仍是解释、验证和情境化AI驱动见解的核心。"

【全文结束】