犹他大学的研究人员已经推出了一种新的工具包，该工具包使用人工智能来预测个体是否会发展成进行性和慢性疾病。长期以来，医学界一直致力于更好地理解疾病的长期轨迹，以期更好地预防和早期干预。
“总的来说，（慢性病和进行性疾病）占这个国家约90%的医疗费用，并且是绝大多数发病率和死亡率的原因，”精神病学教授、One-U负责任人工智能倡议执行委员会成员Nina de Lacy说。
现在，犹他大学的研究人员在这方面迈出了关键一步，他们推出了一种新的开源软件工具包，该工具包使用人工智能来预测个体在症状出现前几年是否会发展成进行性和慢性疾病。
这就是RiskPath，一种新技术，它分析多年来收集的健康数据中的模式，以85%到99%的“前所未有的准确性”识别高风险个体。这项由国家心理健康研究所赞助的研究上周由犹他大学精神病学系和亨茨曼心理健康研究所发布。
该程序利用了可解释的人工智能，这种人工智能旨在以人类可以理解的方式解释复杂的决策。
“可解释性意味着，我能否充分解释人工智能是如何完成这一预测的，使其对人类来说变得可理解？这正是RiskPath所做的。”de Lacy说。
de Lacy解释说，在生物医学中一直存在的一个挑战是建立模型并分析纵向数据，即多年收集的数据。
“使用纵向数据的主要用途之一是课程发展，了解人们如何随着时间成长和发展。另一个用途是RiskPath所针对的，即了解进行性或慢性疾病。有许多进行性和慢性疾病，其中一些是影响人类的主要疾病。”de Lacy说。
研究表明，目前用于纵向数据的医疗预测系统经常偏离目标，正确识别高风险患者的概率仅约为一半到四分之三。与现有的纵向数据预测系统不同，RiskPath使用先进的时间序列人工智能算法，提供了关于风险因素如何相互作用并在疾病过程中改变重要性的关键见解。
“通过在症状出现之前或疾病早期识别高风险个体，并确定哪些风险因素在不同生命阶段最重要，我们可以制定更有针对性和更有效的预防策略。预防性医疗可能是目前最重要的医疗服务，而不仅仅是治疗已经出现的问题。”de Lacy说。
de Lacy及其研究团队验证了RiskPath在三个主要的长期患者队列中的应用，涉及数千名参与者，成功预测了八种不同的疾病，包括抑郁症、焦虑症、注意力缺陷多动障碍 (ADHD)、高血压和代谢综合征。
该技术提供了几个关键优势：
- 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，揭示出干预的关键窗口。例如，研究表明，随着儿童接近青春期，屏幕时间和执行功能成为越来越重要的ADHD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，大多数疾病只需使用十个关键因素就能以类似的准确性进行预测，这使得在临床环境中实施变得更加可行。
- 实用的风险可视化：该系统提供了直观的可视化，显示一个人生命中的哪些时期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。
虽然RiskPath主要是一个研究工具，帮助研究人员构建更好的风险分层模型，但de Lacy希望它最终能在医疗环境中使用，以改善疾病管理。
“有些人可能会用它来构建可以在医疗保健中实施的模型，我们希望他们这样做。但我实验室非常感兴趣的是构建能够更好地进行风险分层的工具。我们非常关注预防。”de Lacy说。“RiskPath及其类似工具的最终目的是帮助人们构建更好的风险分层工具和决策支持工具。”
“这些工具可以帮助临床医生，也许有一天还可以帮助患者，更好地、更早地了解他们患慢性或进行性疾病的风险。”她补充道。
(全文结束)
