AI提前预判生死：机器学习如何比医生更敏锐地察觉危重信号

2018年，Google旗下Rajkomar研究组在《npj Digital Medicine》期刊发布了一项开创性成果："Scalable and accurate deep learning with electronic health records"（基于电子健康记录的可扩展精准深度学习）。

他们完成了什么任务？

科学家从两所医疗系统的216,221名成年病患的电子健康档案中抽取了脱敏信息，并非采用传统学术研究中精细整理的结构化数据集，而是运用了病患的全部原始诊疗记录——涵盖入院登记、出院总结、检验数据、药物处方、诊断编码、医生撰写的自由文本笔记等。

一套深度神经网络系统被训练来解析这些资料。它无需任何人手筛选"哪些指标具备重要性"——它自行领悟。

成果：模型对院内死亡的预测AUC（曲线下覆盖面积）高达0.93-0.94。

这个数值代表什么？0.5相当于盲目猜测，0.9以上则是极其卓越的水准。AI从纷繁的原始病历中，精准辨识出哪些病患最逼近险境边缘。

许多人困惑：AI从未见过这位病患，凭什么能预判生死？

奥秘在于模式辨识能力。AI审视的不是孤立指标，而是数百个变量间的精妙关联：

举例而言，一名病人的白细胞计数正常、血压也平稳，医生判断"情况尚可"。但AI察觉：病患的心率在近24小时内持续缓慢攀升了12%、同时肾脏功能参数出现细微波动、加上正使用某两种药物搭配——这些要素各自看来都不具危险性，但综合起来，AI认定这是即将恶化的征兆。

人类医师的大脑无法同步处理数百个变量的交错关系，但AI能做到。

Google的探索并非孤立个案。近些年，多个顶尖科研团队在AI预判死亡风险方面获得了类似的结论：

麻省理工学院与哈佛附属医院（Beth Israel Deaconess Medical Center）：利用MIMIC重症监护数据库，多款深度学习模型在预测ICU病患30天死亡率上达到AUROC 0.85-0.90，超越传统的SOFA评分和APACHE评分体系。

纽约大学朗格尼医学中心（2022年，刊载于《Nature Communications》）：他们的模型运用超过36万住院病患的电子病历信息，能在病患入院24小时内预判30天死亡率、非预期再住院率、住院时长等核心指标。在死亡预测方面，模型明显优于传统的LACE指数评分。

英国国家医疗服务体系（2023年）：NHS在数家医院部署了AI预警机制，通过实时追踪病患生命体征和化验数据的演变趋势，提前警示潜在恶化风险。系统在试点医院成功将心脏骤停的预警时间平均提前了6小时以上。

AI预判死亡风险激起了热烈的伦理探讨。

赞成方主张：

反对派主张：

目前医学界的共识是：AI的死亡风险预测指标应作为"临床决策辅助工具"，而非"终极裁决"。这些分值应当由医生审视，而不是直接告知病患——恰如CT报告上的可疑迹象，医生不会直接说"你可能罹患癌症"，而是结合临床判断后再作出决策。

当前AI预测死亡率的若干缺陷：

然而，一个鼓舞人心的动向是：多家全球领先的医院信息系统企业（Epic、Cerner等）已着手将AI预测模块融入日常临床工作流程。医生调阅病患病历，旁边便会浮现一个"风险评分"——不张扬、不喧哗夺主，只是悄然提示：这位病人，或许需要你多关注一眼。

📌数据