犹他大学精神病学系和亨茨曼心理健康研究所的研究人员在《Patterns》杂志上发表了一篇论文，介绍了RiskPath。这是一种开源软件工具包，使用可解释的人工智能（XAI）来预测个体在症状出现前几年是否会患上进行性和慢性疾病，这可能会彻底改变预防性医疗保健的提供方式。
XAI是一种能够以人类可以理解的方式解释复杂决策的人工智能系统。
这项新技术通过分析多年收集的健康数据中的模式，以前所未有的85%至99%的准确率识别高风险个体，从而在疾病预测和预防方面取得了重大进展。
目前用于纵向数据的医学预测系统往往不够准确，正确识别高风险患者的概率仅为50%到75%。
与现有的纵向数据预测系统不同，RiskPath使用先进的时序AI算法，并使其可解释，从而提供全面的模型，揭示风险因素如何相互作用并在疾病发展过程中变化的重要性。
“慢性、进行性疾病占医疗费用和死亡率的90%以上，”犹他大学健康科学学院精神病学助理教授尼娜·德莱西（Nina de Lacy）MBA, MD说。她补充道：“通过在症状出现之前或疾病早期阶段识别高风险个体，并确定在不同生命阶段哪些风险因素最重要，我们可以制定更有针对性和更有效的预防策略。预防性医疗保健现在可能是医疗保健中最重要的方面，而不仅仅是治疗已经出现的问题。”
研究团队在三个主要的长期患者队列中验证了RiskPath，这些队列涉及数千名参与者，成功预测了包括抑郁症、焦虑症、多动症、高血压和代谢综合征在内的八种不同疾病。他们表示，这项技术具有几个关键优势：
- 增强对疾病进展的理解：RiskPath可以绘制不同风险因素随时间变化的重要性，揭示干预的关键窗口。例如，研究表明，随着儿童接近青春期，屏幕时间和执行功能已成为多动症越来越重要的风险因素。
- 简化风险评估：尽管RiskPath可以分析数百个健康变量，但研究人员发现，大多数疾病只需10个关键因素即可达到类似的预测准确性，使临床实施更加可行。
- 实用的风险可视化：该系统提供了直观的可视化效果，显示一个人生命中的哪些时间段对疾病风险贡献最大，帮助研究人员确定最佳的预防干预时机。
研究团队目前正在探索如何将RiskPath整合到临床决策支持系统、预防保健计划以及精神疾病的神经基础研究中。他们计划扩展研究，以涵盖更多疾病和多样化人群。
(全文结束)
