随着人工智能在各行业的应用持续扩大，建立保障措施以确保技术伦理化和负责任地使用变得至关重要。在医疗领域尤其如此，因为错误可能关乎生死，且必须保护患者信息。
2025年3月28日，中风医师、研究人员和行业代表在中风治疗学术产业圆桌会议上，讨论了AI在中风临床试验设计中的当前应用与未来前景。该会议由辛辛那提大学约瑟夫·布罗德里克医学博士领导，研究团队于9月30日在《中风》期刊发表文章总结讨论内容。
中风医师目前已利用AI辅助临床决策，特别是在分析脑部和血管影像时。AI还能提醒医师潜在的临床试验参与者。但随着AI应用的扩展，布罗德里克及其同事强调设计"人在回路"系统的重要性——这类系统要求在AI模型训练和使用过程中融入人类输入与专业判断。
"将AI比作学骑自行车的幼儿，"布罗德里克表示，"骑车是了不起的成就，但学习过程中难免跌倒（犯错）。专家指导甚至辅助轮都能在儿童学习时提供支持，最终孩子们会骑得非常熟练。"布罗德里克是辛辛那提大学医学院教授、辛辛那提大学加德纳神经科学研究所高级顾问，同时担任美国国立卫生研究院中风网络国家协调中心主任。
研究团队对比了机器学习与生成式AI在中风应用中的差异：
机器学习通过人类整理的结构化数据集训练AI模型，用于分类或预测已知的"真实结果"。虽然训练过程需大量人工处理数据，但多数机器学习可借助标准计算能力高效完成。"这类模型的主要优势在于方法更具可解释性，决策过程更透明，便于理解和追溯，这对医疗验证和生物学合理性至关重要。"
生成式AI则通过互联网、书籍和期刊中的海量非标注文本训练，再针对专业数据集微调。这通常减少人工干预，但需要庞大算力与电力支持。"这些模型拥有数十亿甚至数万亿参数，却如同'黑箱'，难以完全理解特定输出的生成原因，"作者指出，"大型语言模型的可解释性是当前研究热点。"
无论采用何种模型，中风研究者都需主动确保数据集的稳健性，纳入不同扫描仪厂商、医疗机构和患者的多样化数据以提升普适性。"若使用缺陷数据且专家未纠正错误，AI将产生不准确甚至有害的建议，"布罗德里克警告，"我最担忧的是AI基于错误数据给出伤害性结论。"
研究者还需制定严格协议保护患者隐私，确保符合《健康保险流通与责任法案》（HIPAA）。解决方案可能包括：由美国心脏协会等独立第三方集中收集匿名患者数据后再输入AI模型，或仅用单机构数据训练模型，随后共享学习参数。"患者隐私保护是医疗AI应用的重大挑战，各国数据共享法律差异更使去标识化数据跨境流通困难，"文章补充道，"新型模型开发方法有望缓解部分隐私问题。"
经人类验证的稳健中风AI模型潜在应用包括：更精准识别试验参与者、用通俗语言向患者解释试验设计、为非英语患者提供多语言翻译，以及辅助制定个体化治疗方案。"我们长期倡导精准医疗，而AI是实现这一目标的关键飞跃。"
除AI外，作者还探讨了平台试验等新型临床试验设计——此类试验能高效同步测试多个研究问题，并随旧问题解决而新增课题。未来重点还包括实效性临床试验，旨在评估治疗方案在常规临床护理（而非理想化条件）中的实际效果。
通过对比现有疗法、将试验流程嵌入常规诊疗工作流、利用电子健康记录数据，研究者可降低此类试验成本并简化基础设施。实效性设计有望提升试验成功概率，确保其及时、经济地完成。
最后，中风研究界需加强社区与患者参与，纳入一线医疗人员（急救员、转诊/接收机构医师及研究协调员）对试验方案的意见。应确立共同试验目标以减轻患者与研究者负担，尽可能将试验延伸至社区场景，并迅速向患者、临床医生和公众发布结果。
"未来充满希望，这些新工具将推动研究取得重大进展，"布罗德里克总结道，"但当前时代的真正考验在于：如何在充斥错误、有害或不实信息的海量图文视频中，辨别准确数据与真相。"
"正如火焰既能取暖烹饪，也能焚毁房屋，"他继续强调，"AI正迅速蔓延，而我们才刚开始学习如何安全明智地驾驭它。"
如何识别中风
由于中风发作迅速，掌握FAST记忆法至关重要，该方法列出了最常见的中风征兆及应对措施：
- F：面部下垂
- A：手臂或腿部无力下垂
- S：言语障碍，如口齿不清或无法表达
- T：时间就是生命；立即拨打911
其他合著者包括辛辛那提大学的埃娃·米斯特里和保罗·韦切尔斯基、米切尔·埃尔金德、大卫·利伯斯林德、乔治·哈斯顿、杰克·沃伦伯格、詹妮弗·弗龙特拉、W·泰勒·金伯利、克里斯托弗·法维拉、约翰内斯·博尔策、乔安娜·奥斯佩尔、埃德加·萨马尼戈、奥佩卢·阿德奥耶、斯科特·卡斯纳、李·施瓦姆和格雷戈里·阿尔伯斯。
【全文结束】
