機器學習在傳染病臨床決策支持系統(tǒng)中應用的研究進展

宋雪青，張學靚，馬曉萌，許翠萍，2*

1.山東大學護理與康復學院，山東 250012；2.山東第一醫(yī)科大學第一附屬醫(yī)院（山東省千佛山醫(yī)院）

《2022年世界衛(wèi)生統(tǒng)計報告》指出傳染病（infectious disease，ID）仍是全球十大死亡原因之一，結核病、艾滋病、瘧疾以及熱帶病和乙型病毒性肝炎等傳染病使中低收入國家承受著沉重的負擔[1]。2020 年暴發(fā)的新型冠狀病毒感染（COVID-19）更是對全球公共衛(wèi)生安全造成巨大的危機，如何加強對傳染病的應對與管理已成為全球性的挑戰(zhàn)。隨著電子健康記錄（EHR）的廣泛使用，醫(yī)療保健數(shù)據的可用性顯著增加，為人工智能（artificial intelligence，AI）在傳染病管理的應用創(chuàng)造了條件。專家系統(tǒng)（expert system，ES）的開發(fā)是人工智能在醫(yī)療衛(wèi)生領域的開始，專家系統(tǒng)基于從醫(yī)學專家訪談中獲取的規(guī)則進行翻譯和編程，但受限于在臨床決策中捕獲專家知識時需要大量的規(guī)則且在處理意外情況時缺乏靈活性，專家系統(tǒng)并未得到良好的應用[2]。而運用專家系統(tǒng)設計原理和方法的臨床決策支持系統(tǒng)（clinical decision support systems，CDSS）是醫(yī)療衛(wèi)生和人工智能領域交叉融合的重要應用[3-4]，能夠智能輔助醫(yī)護人員作出最佳臨床決策，提高醫(yī)護人員工作效率與指南依從性，具有良好的應用效果[5]。機器學習（machine learning，ML）作為人工智能領域的核心，與CDSS 結合形成機器學習臨床決策支持系統(tǒng)（machine learning-clinical decision support systems，ML-CDSS）更是在傳染性疾病的管理中發(fā)揮了重要作用?；诖耍F(xiàn)從應用基礎、應用現(xiàn)狀、面臨挑戰(zhàn)及未來發(fā)展趨勢4 個方面對ML-CDSS 在傳染病管理中的相關研究進行綜述，旨在進一步增強對傳染性疾病的智能管理、為智慧醫(yī)療的發(fā)展提供參考及借鑒。

1 ML-CDSS 在傳染病管理中的應用基礎

機器學習作為人工智能領域的核心，對于數(shù)據的匯集、分析、管理及再利用方面顯示出良好的效能[6]。隨著電子健康記錄的廣泛使用、醫(yī)療相關信息化平臺的不斷完善與發(fā)展，醫(yī)療保健記錄被長期留存，產生了大量的可用性數(shù)據，為機器學習在醫(yī)療衛(wèi)生領域的發(fā)展奠定了堅實基礎[7]。常見的機器學習算法包括決策樹、隨機森林、支持向量機、k-最近鄰算法和樸素貝葉斯算法等[8]，其運作是工程師以明確的計算機代碼的形式提取知識，指導計算機準確地處理數(shù)據和做出決策，與傳統(tǒng)方法相比，機器學習是從示例中學習而不是用規(guī)則編程，能夠直接從大量的數(shù)據中學習規(guī)則，因此在沒有明確指令的情況下也可以適應未知的情況，具有較高的靈活性，在臨床使用中可以通過電子健康記錄中的大量數(shù)據，基于學習策略和方法，自動創(chuàng)建規(guī)則，學習大量病人的健康軌跡模式，在醫(yī)生個人實踐經驗的信息中獲取信息，幫助醫(yī)生預測未來事件[9]。機器學習突破了專家系統(tǒng)的約束，能夠從數(shù)據中學習、挖掘信息，提取數(shù)據中的潛在規(guī)律和模式并預測、解釋未知的情況[10]，克服了知識庫型系統(tǒng)知識來源有限和缺乏臨床特征綜合評估的局限性[2]。而ML-CDSS 則是以結構化數(shù)據為基礎，在既往數(shù)據的基礎上結合病人實際情況通過學習策略和算法構建新的規(guī)則，獲得對新數(shù)據的識別和預測能力，協(xié)助臨床決策[11]。目前，隨著傳染病管理的進一步規(guī)范、感染管理系統(tǒng)和各信息平臺的不斷完善，產生了龐大的可用性數(shù)據，基于大數(shù)據的ML-CDSS 對傳染病的管理已成為發(fā)展趨勢[5,12]，有利于推動傳染病的精細化智能管理。

2 ML-CDSS 在傳染病管理中的應用現(xiàn)狀

ML-CDSS 可高效、動態(tài)地整合病人的各種生理指標與病情變化信息，基于知識庫和人工智能技術，為醫(yī)生在疾病的診斷、治療、風險預測、合理用藥等方面提供決策支持[13]，在傳染病的規(guī)范化管理中凸顯出重要地位。

2.1 傳染病的診斷和預警

基于機器學習的CDSS 在傳染病的診斷和預警方面發(fā)揮了重要作用。何海鋒等[14]提出了基于機器學習的CDSS，利用知識庫引擎鑒別診斷新型冠狀病毒感染等的病例，設計監(jiān)測預警方案并合理對接醫(yī)院疾病防控與感染控制信息系統(tǒng)，提高了對新型冠狀病毒感染的感知、預警及決策，并能夠進行質控跟蹤。Wu等[15]基于中國、意大利、比利時等多中心隊列回顧性地開發(fā)了一項用于入院時新型冠狀病毒感染病人嚴重程度風險預測和分診的臨床決策系統(tǒng)，并前瞻性地驗證該系統(tǒng)的使用效能，以評估疾病的嚴重程度及其進展，結果顯示，基于機器學習的臨床決策系統(tǒng)有助于獲取重癥和危重癥新型冠狀病毒感染病人的發(fā)病情況診斷以及入院時的分診情況，Chen 等[16]開發(fā)的模型也得出相似結論。一項研究提出了基于血液檢查數(shù)據的ML-CDSS 預測新型冠狀病毒感染死亡風險，該研究提供的決策支持系統(tǒng)有助于準確預測新型冠狀病毒感染病人的死亡率，協(xié)助臨床醫(yī)生采取治療方案預防病人早期死亡[17]，McRae 等[18]的研究也得出同樣的結果。另有一項報告指出，ML-CDSS 能夠改善艾滋病的監(jiān)測，可以提高醫(yī)院內外的艾滋病檢測率，有助于及時發(fā)現(xiàn)艾滋病毒感染并加強診斷[19]。一項在越南中部進行的研究開發(fā)了基于3 種不同機器學習算法的包含結核、病毒性肝炎等在內的8 種傳染病CDSS，在有限的條件下使用有限的數(shù)據開發(fā)的系統(tǒng)診斷準確率達到了85%，充分證實了基于機器學習的CDSS 在傳染病的診斷中具有可行性[20]。綜上，既往研究均顯示ML-CDSS 在傳染病的診斷、預警及預后預測等方面顯示出良好的應用效能，并具有進一步推廣使用的可能性。

2.2 傳染病的合理用藥

一項Meta 分析顯示，用于藥物管理的ML-CDSS對于病人結局和醫(yī)生臨床實踐等方面具有積極影響[21]。當前基于傳染病的ML-CDSS 在抗菌藥物使用方面展現(xiàn)出良好的應用效能。卓燁燁等[11]綜述了基于有廣泛穩(wěn)定數(shù)據來源的醫(yī)院信息系統(tǒng)（HIS）構建的抗菌藥物管理的ML-CDSS，研究結果顯示ML-CDSS 的應用仍處于起步階段，國內主要用于促進抗菌藥物的合理使用，國外則傾向于協(xié)助優(yōu)化抗菌藥物的治療方案，其靈敏度和準確率均較高。Shen 等[22]使用機器學習的方法，結合了傳染病和抗生素處方領域的知識獲取、本體構建、系統(tǒng)建模和決策支持，開發(fā)了抗生素使用決策支持系統(tǒng)（IDDAP），該系統(tǒng)從病人角度出發(fā)，充分考慮了病人個體特征，及時識別可能的傳染病并在嚴重或可能致命的情況下發(fā)出警告，并在受控條件下確定適當?shù)闹委煼桨?。國外一項研究綜述了機器學習在實體器官移植病人抗菌藥物使用的臨床決策支持，而基于機器學習的CDSS 對于實體器官移植這一特殊人群感染并發(fā)癥的預測以及傳染病的診斷和治療均有幫助，同時可以在充分考慮到免疫抑制劑使用的影響下指導抗菌藥物劑量的選擇[23]。Lennert 等[24]于2022 年提出了耐藥結核病人基于機器學習的混合治療臨床決策系統(tǒng)的開發(fā)，并進行了初步驗證，次年開發(fā)了為利福平耐藥的結核病病人提供最佳治療方案的臨床決策系統(tǒng)，該系統(tǒng)能夠自動形成個性化治療方案，從病人角度平衡有效性、耐受性，并從健康系統(tǒng)角度平衡可行性。研究結果顯示新開發(fā)的臨床決策系統(tǒng)有助于改善利福平耐藥結核病病人的治療結局[25]。由此可見，ML-CDSS 在傳染病病人的合理用藥方面表現(xiàn)出了良好的應用效能。

2.3 傳染病的規(guī)范化管理

朱瑞芳等[26]開發(fā)了一項基于機器學習的臨床決策支持系統(tǒng)，探究其對結核潛伏感染（LTBI）高危病人篩查和診斷的效果，研究結果顯示基于機器學習的CDSS 有助于增強LTBI 的篩查精準性，有助于優(yōu)化對LTBI 的規(guī)范管理。王夢瑩等[27]的研究將基于機器學習及人工智能等的醫(yī)生CDSS 嵌入醫(yī)生工作站中，利用大數(shù)據和人工智能技術實現(xiàn)對疑似傳染病的預警、確診及動態(tài)追蹤等，為傳染病的防控、趨勢分析等提供了科學依據。ML-CDSS 的開發(fā)為傳染病的規(guī)范化管理提供新的方向。一項在12 所醫(yī)院開發(fā)的基于機器學習的CDSS 被用作協(xié)助急診科醫(yī)生對疑似新型冠狀病毒感染病人做出臨床決策，該系統(tǒng)可以有效加強醫(yī)護工作者對病人的護理，減少不恰當?shù)臎Q策，并優(yōu)化資源的利用[28]。一項綜述顯示將預測分析技術與臨床信息學相結合的ML-CDSS 為醫(yī)療者提供了實時干預的潛力，并可以改善艾滋病病人從診斷到病毒抑制的連續(xù)性護理結果，從而達到規(guī)范化管理的效果[29]。一項研究顯示，基于簡化的人工智能CDSS 有助于在有限的資源環(huán)境中協(xié)助臨床決策，加強對醫(yī)療衛(wèi)生落后地區(qū)傳染病的管理[20]。另一項研究顯示，在資源有限的國家，ML-CDSS 可以早期發(fā)現(xiàn)艾滋病病人的不配合和失訪情況，及時采取措施降低其發(fā)生率，使該類病人重新參與到醫(yī)療護理過程中，從而提高護理質量[30]。在我國新型冠狀病毒感染大流行期間，Liu 等[31]開發(fā)了一項基于機器學習的新型冠狀病毒感染臨床決策系統(tǒng)（DDC19），通過收集潛在病人的健康信息，為潛在病人提供動態(tài)評估，協(xié)助醫(yī)務工作者管理病人并對病人做出進一步臨床決策。另一項研究除了證實ML-CDSS 能夠協(xié)助進行艾滋病病人的臨床決策之外，同時保護了病人記錄的隱私和臨床醫(yī)生決策的機密性，規(guī)范了艾滋病的管理[32]。

除此之外，機器學習還可用于根據臨床文獻自動選擇可能符合隨機對照試驗條件的病人，或識別可能受益于研究中的早期或新療法的高風險病人或亞群，可以輔助臨床決策，使衛(wèi)生系統(tǒng)能夠對每種臨床情況進行更嚴格的研究，降低成本和管理開銷[9]，在傳染病的信息化管理中具有巨大的潛力。

3 ML-CDSS 在傳染病管理中的應用挑戰(zhàn)和未來發(fā)展趨勢

3.1 應用挑戰(zhàn)

由于臨床狀態(tài)和決策過程的復雜性、數(shù)據缺失以及缺乏基于統(tǒng)計的簡易分析工具，有效提取臨床決策支持的能力有限，因此機器學習臨床決策系統(tǒng)在臨床使用中存在一定的挑戰(zhàn)。

3.1.1 數(shù)據的可用性較差

與傳染病相關的醫(yī)療保健相關數(shù)據規(guī)模龐大，非結構化數(shù)據眾多，數(shù)據質量難以保證，數(shù)據缺失、不同物理系統(tǒng)間難以協(xié)調等問題仍然存在[29,33]，導致ML-CDSS 的可解釋性和可溯性較差，另外開放共享的大型數(shù)據庫尚未建立[23]，同時缺乏對于ML-CDSS使用和評估的規(guī)范標準，已開發(fā)的系統(tǒng)未得到驗證，為ML-CDSS 的開發(fā)和應用帶來了巨大的挑戰(zhàn)[34]。電子系統(tǒng)的開發(fā)研究者多為大數(shù)據分析人員，較少有醫(yī)護人員參加，部分工具的研發(fā)無法與臨床工作相吻合，導致研究結果的準確性有待進一步證實[35]。除此之外，因弱勢群體獲得醫(yī)療保健機會少，ML-CDSS 在弱勢群體中的可用性較低，削弱了ML-CDSS 對弱勢群體做出充分預測的能力[2,36]，在使用過程中存在一定的偏倚。

3.1.2 缺乏統(tǒng)一的倫理準則

一項研究指出人工智能在醫(yī)療衛(wèi)生領域發(fā)揮巨大價值的同時也為醫(yī)患關系帶來了巨大的倫理挑戰(zhàn)，可能會導致病人權益難以保障、醫(yī)務人員的主體責任和實踐能力削弱，且對醫(yī)務人員的主體地位亦是一項挑戰(zhàn)[37]?，F(xiàn)階段，人工智能在醫(yī)療衛(wèi)生領域管理和監(jiān)督的法律體系尚未完善，仍缺乏道德標準則以及實踐指南，由傳染病病人的隱私性帶來的潛在醫(yī)患矛盾易被激化[29]，因此ML-CDSS 在臨床的應用相對局限，且臨床醫(yī)務工作者是否需要為ML-CDSS 的決策承擔法律后果仍存在不同意見[34,38]。除此之外，機器學習雖能模擬人腦進行數(shù)據的分析和再利用，但無法重現(xiàn)人腦的情感等高級思維活動，缺乏對傳染病病人的人文關懷理念和能力，無法給予病人相應的心理支持。

3.1.3 盲目信任或缺乏信心可能導致臨床決策失誤

關于人工智能等應用方法的培訓和教育在臨床中開展不足[39-40]，導致醫(yī)務工作者對于新興智慧決策管理系統(tǒng)理解較差，對于ML-CDSS 的工作原理、內部流程的自動化系統(tǒng)缺乏了解，使用過程中缺乏信心，未能在決策過程中提供較好的循證支持。另一方面，對于ML-CDSS 完全信任亦是一種極度危險的狀態(tài)，既往存在機器學習驅動的決策建議失誤的情況，若在傳染病病人的決策過程中缺乏對病人個體化的考量，對于機器學習驅動的臨床決策建議完全接受，缺乏批判性思維，將可能導致決策失誤造成醫(yī)源性疾病，對ML-CDSS 的開發(fā)與應用產生不良影響[2]。除此之外，ML-CDSS 的可解釋性、可追溯性與可持續(xù)性也是巨大的挑戰(zhàn)。

3.2 未來發(fā)展趨勢

機器學習等技術已經廣泛應用于各個行業(yè)，在數(shù)據計算、多維數(shù)據擬合等方面表現(xiàn)出顯著優(yōu)勢，在疾病診斷預測建模中得到良好的應用[41-43]，且在醫(yī)療衛(wèi)生領域仍具有較大潛力和發(fā)展空間。ML-CDSS 目前已在結核病、艾滋病、新型冠狀病毒感染等傳染病的診斷治療決策中發(fā)揮了重要作用，但在其他傳染病疾病如病毒性肝炎、寄生蟲病等的管理中少有研究，且在醫(yī)院感染管理的應用案例較少，與其他物理信息系統(tǒng)的嵌合欠佳，與臨床環(huán)境的結構化整合過程尚未完善，可解釋性及持續(xù)性相對較差，這可能會成為未來研究重點關注的問題和方向。

ML-CDSS 是基于高質量數(shù)據庫的新型決策系統(tǒng)，因此專注于開發(fā)大型臨床數(shù)據庫，獲取高質量、全面、多樣、共享的數(shù)據是今后能否快速發(fā)展的關鍵，尤其是在中低收入國家高質量、高可用性的臨床數(shù)據庫的開發(fā)，為ML-CDSS 的開發(fā)提供機會，同時增加弱勢群體獲取醫(yī)療保健的機會。此外，對尚未有實際應用的數(shù)據源以及其他非電子病歷之外的數(shù)據可作為電子健康記錄的補充，便于日后揭示其在臨床實踐中與疾病診斷決策的相關性[29]。除此之外，多學科協(xié)作也將成為傳染病管理的發(fā)展方向，其已在眾多疾病的診治中發(fā)揮了重要作用[44-45]。智能化的ML-CDSS 與多學科協(xié)作管理模式相結合，可以從多角度、全方位地評估并針對某一群體病人整合醫(yī)療資源，為病人確定最佳治療方法，通過整合醫(yī)療對病人進行綜合性診治和護理，為臨床信息化發(fā)展創(chuàng)造無限空間。

4 小結

隨著醫(yī)療衛(wèi)生領域的信息化發(fā)展，機器學習在傳染病管理的管理應用中凸顯出重要地位，ML-CDSS已在傳染病的診斷及預警、規(guī)范化管理、合理用藥等方面發(fā)揮了重要作用，在醫(yī)療衛(wèi)生領域中仍具有巨大潛力，但ML-CDSS 在開發(fā)和臨床使用中仍存在數(shù)據可用性差、缺乏統(tǒng)一的倫理準則、使用過程中盲目信任或缺乏信心等情況，需進一步采用科學的方法彌補此類不足。未來可對未開發(fā)的領域進一步研究，并致力于在全球尤其是中低收入國家開發(fā)高質量、共享開放的大型數(shù)據庫，并加強ML-CDSS 與其他物理系統(tǒng)的有機嵌合以增強其可塑性，并與多學科協(xié)作相結合，充分發(fā)揮人工智能在傳染病管理中的作用和優(yōu)勢。