研究证实:基于机器学习的CDSS能更准确预测脓毒症患者

2022-8-24

机器学习(ML)系统已广泛应用在临床环境中辅助疾病风险预测,此类系统通过构建机器学习模型,利用各类患者数据分析危险因素,相比仅基于预先设定阙值的传统CDSS可更多支持临床诊疗决策。但仍有临床医生难以对输入大量复杂数据的ML系统产生的预警及决策建议建立信任,甚至认为会对他们临床决策的“自主性”产生威胁。

近期,发表在Digital Medicine的一项研究,研究背景是在部署了目标实时预警系统(TREWS)的一家医院,即一种基于ML的脓毒症检测和治疗管理系统,用扎根理论分析方法(一种归纳方法),分析使用TREWS至少6个月的20位医生和护士对基于ML的CDSS在急性临床护理中的使用经验和感知,为系统设计人员、实施科学家、临床医生和医疗管理人员提供参考信息。

01

38%的ML CDSS预警

被证实患者确有脓毒症

根据研究者介绍,从三家医院收集了5年患者历史数据,利用基于ML的风险评分开发了TREWS以支持临床医生及时识别和治疗脓毒症。

为了解释脓毒症患者的异质性,风险预测方法会自动发现脓毒症的多种表型,并随着时间的推移不断调优,使得风险预测效果稳定且最佳。此外,TREWS还减少了假阳性警报,因为它规避了系统可能错误地将患者识别为脓毒症的混杂合并症的情况,从而提高预警的准确性。根据三家社区和两家学院型医院2年的数据反馈,基于系统共进行了469,419次病例筛查,产生31,591次预警,其中89%的预警在系统页面内被响应,且系统的灵敏度为82%,相应的38%的预警被证实患者的确患有脓毒症。而非基于ML CDSS的精确度较低,只有不到20%的预警被证实患者确患有脓毒症。

02

不能深度理解ML CDSS原理

会构成临床医生应用障碍?

经过证实,ML CDSS预警的准确性较高,但尚不清楚临床医生如何看待ML CDSS产生的决策建议,因而此项研究背景是在美国一家应用TREWS的急症护理医院展开,研究团队对2018年10月至2019年4月期间,使用TREWS至少6个月的不同临床角色类型的20位医生和护士,作为代表性样本,由熟悉系统和临床环境并接受过半结构化访谈方法培训的专业人员对他们进行半结构化访谈。访谈指南包含了临床医生在脓毒症诊断和治疗中的作用、他们在TREWS和其它基于ML的CDSS方面的应用经验,以及对ML在当前和未来医学中承担角色的看法等问题。

研究将扎根理论分析方法系统地应用于访谈的转录本,以确定临床医生在诊疗过程中如何理解和使用ML CDSS感知的相关主题,主要包含以下四个方面:

第一个主题是,临床医生认为基于ML的CDSS是对传统CDSS的改进。在将ML CDSS与传统CDSS进行比较时,大多数临床医生认识到ML CDSS的可靠性和及时性。传统CDSS的预警,只是基于至少符合两项全身炎症反应综合症标准和一项器官功能障碍指标,他们认为由此来预警疾病风险,准确度不高。

第二个主题是,医护人员认为基于ML的CDSS在诊断内外都起着辅助作用。虽然他们对ML CDSS背后的模型内部逻辑缺乏更深的理解,但通常都会对系统的预警做出响应,将其整合到诊断过程中。诊断之外的价值是临床医生和护士将该系统视为“第二双眼睛”,在被大量临床信息轰炸的情况下,系统的持续监测可以减轻他们的临床诊疗负担。

第三个主题是,临床医生确定了与系统建立信任的各种机制。虽然没有一个临床医生完全理解系统背后ML的含义,但也并不认为理解系统在个别情况下的逻辑会改变他们的决策。临床医生报告说,只需了解这是一种机器学习工具并且可以进行数据挖掘,通过观察不同场景和不同患者类型下系统的行为,就能更好地理解系统是如何运行的。除此以外,临床医生还重视系统的外部研究以及同事和专家的建议,使他们能够在系统应用以外建立信任。

第四个主题是,医护人员对ML在医学上的应用仍然存在一定的信任障碍。虽然临床医生普遍对基于ML系统改善患者疾病进展的潜力充满信心,但也表达了过度依赖AI系统会降低他们临床诊疗能力的担忧。但临床试验证据,或警报被忽略但患者被诊断为败血症等情况,能足够说服他们在患者出现明显症状之前按照系统的建议采取诊疗措施。

最后,研究者总结,ML CDSS改善临床诊疗结果的能力取决于临床医生将系统提供的信息纳入其工作的意愿。此外,研究数据表明,医生高度重视对患者的直接观察来验证系统的建议,由此也增加了他们采纳基于ML系统预警的意愿,且该系统被视为是辅助临床医护人员有力的决策工具,赋能了临床诊疗决策全过程,并通过人机协作的形式,为患者取得更好的治疗结果。

参考资料:

Henry, K.E., Kornfield, R., Sridharan, A. et al. Human–machine teaming is key to AI adoption: clinicians’ experiences with a deployed machine learning system. npj Digit. Med. 5, 97 (2022).

https://doi.org/10.1038/s41746-022-00597-7

成为我们的

合作伙伴

医院演示预约
提交以下真实信息,我们将尽快联系您