华盛顿大学（WashU）圣路易斯分校的一组研究人员开发了一种基础AI模型，该模型利用外科患者的临床记录来预测诸如肺炎、血栓和感染等并发症。这项研究的详细内容已发表在《npj数字医学》杂志上，该模型有望减少影响约10%患者的术后并发症发生率，这些并发症可能导致重症监护病房停留时间延长、死亡率升高和医疗费用增加。
“手术伴随着显著的风险和成本，但临床记录中包含了来自外科团队的宝贵见解，”首席研究员、华盛顿大学计算机科学与工程教授陆晨阳博士说。“我们专门针对手术记录定制的大规模语言模型能够早期且准确地预测术后并发症。通过主动识别风险，临床医生可以及早干预，提高患者的安全性和治疗效果。”
对于希望减少术后并发症发生率的医疗机构来说，找到一种能够在问题出现之前准确预测风险的方法一直是一个挑战。传统的风险预测模型主要依赖于结构化数据，如实验室检测结果和患者人口统计信息，而没有使用包含更详细、个性化评估的临床记录数据。
为了克服这一局限性，陆晨阳和他的团队开发了一种基础AI模型，该模型使用大规模语言模型（LLM）来分析患者临床记录中的非结构化数据。利用LLM，新模型在预测术后并发症方面优于传统的机器学习方法。例如，在每100名经历并发症的患者中，新模型比之前的模型多正确识别了39名高风险患者。
参与该研究的研究生查尔斯·阿尔巴表示，该模型的多功能性是其优势之一。“基础模型可以多样化应用，因此通常比专门化的模型更有用，”他说。“我们对模型进行了多任务同时微调，并发现它比专门用于检测个别并发症的模型更准确地预测并发症。”
该模型的一个重要能力是能够识别多种并发症的风险。由于并发症往往共享潜在的风险因素，一个统一的模型可以利用这些相关性来更准确地预测各种手术结果。
“这种多功能模型有潜力在各种临床环境中部署，以预测广泛的并发症，”华盛顿大学医学院麻醉学副教授乔安娜·亚伯拉罕博士说。“通过早期识别风险，它可能成为临床医生的重要工具，使他们能够采取主动措施并调整干预措施，以改善患者的治疗效果。”
然而，将AI整合到临床工作流程中并非没有挑战。治疗医生对模型的信任和信心对于广泛采用至关重要，而且模型必须表现出优于传统方法的性能，同时提供易于理解和可操作的预测和指导。研究人员指出，虽然当前的模型是“黑盒”系统，但他们正在努力集成可解释性机制以提高模型的透明度。
目前研究的一个局限性是数据仅来自一个医疗机构——巴恩斯-犹太医院。研究人员表示，还需要更多的工作来确保该模型在不同机构中的通用性，因为不同的手术记录可能包含会影响模型准确性的术语和缩写。未来的工作将包括使用多个医院系统的数据来进一步完善模型，以便在更广泛的临床环境中使用。
(全文结束)
