《Scientific Reports》：Multimodal AI-based 28-day mortality prediction of pneumonia patients at ED discharge: a multicenter study
編輯推薦：
本研究針對急診科（ED）肺炎患者出院時(shí)準(zhǔn)確評估其短期死亡風(fēng)險(xiǎn)（28天死亡率）的臨床需求，開展了多中心回顧性研究。研究人員構(gòu)建了集成AI解讀胸片（CXR）與臨床數(shù)據(jù)的多模態(tài)預(yù)測模型。該模型在測試集中的C-index達(dá)到0.872，顯著優(yōu)于未包含CXR信息的模型。這為利用人工智能輔助急診科決策、實(shí)現(xiàn)更精準(zhǔn)的風(fēng)險(xiǎn)分層提供了新思路。
在急診科（Emergency Department, ED），準(zhǔn)確評估肺炎患者的病情嚴(yán)重程度和預(yù)后，對于決定治療方案和出院時(shí)機(jī)至關(guān)重要。傳統(tǒng)的評估工具，如臨床CURB-65評分，雖然應(yīng)用廣泛，但其預(yù)測精度仍有待提高。臨床醫(yī)生在面對患者時(shí)，通常需綜合考量實(shí)驗(yàn)室數(shù)據(jù)、生命體征以及至關(guān)重要的胸片（Chest X-ray, CXR）影像學(xué)信息。然而，對胸片的主觀解讀存在觀察者間差異，且將影像特征與臨床數(shù)據(jù)有效整合以量化死亡風(fēng)險(xiǎn)，仍是一個(gè)挑戰(zhàn)。為了克服這些局限性，提升急診醫(yī)療決策的客觀性和精準(zhǔn)性，一項(xiàng)探索性的研究應(yīng)運(yùn)而生。
這項(xiàng)研究旨在開發(fā)并評估一種新型的人工智能（Artificial Intelligence, AI）驅(qū)動(dòng)模型，用于預(yù)測肺炎患者的28天死亡率。核心創(chuàng)新在于構(gòu)建一個(gè)“多模態(tài)”預(yù)測框架，首次將AI算法自動(dòng)解讀的胸片（AI-interpreted CXR）發(fā)現(xiàn)，與患者出院時(shí)即可獲得的臨床數(shù)據(jù)（包括人口學(xué)、生命體征、實(shí)驗(yàn)室檢查結(jié)果等）進(jìn)行深度融合。研究者們假設(shè)，這種融合策略能夠更全面地捕捉疾病的嚴(yán)重性表征，從而實(shí)現(xiàn)對患者死亡風(fēng)險(xiǎn)更精確的預(yù)測，為急診科醫(yī)生的風(fēng)險(xiǎn)分層和決策提供強(qiáng)有力的數(shù)據(jù)支持。該研究成果已發(fā)表在《Scientific Reports》期刊。
為實(shí)現(xiàn)研究目標(biāo)，作者主要運(yùn)用了以下關(guān)鍵技術(shù)方法：1. 多中心回顧性研究設(shè)計(jì)，數(shù)據(jù)來源包括一家韓國三級教學(xué)醫(yī)院的急診科記錄，以及來自美國的重癥監(jiān)護(hù)醫(yī)學(xué)信息市場（Medical Information Mart for Intensive Care, MIMIC-IV, v3.1）數(shù)據(jù)庫，共納入2,874次急診就診記錄。2. 利用已訓(xùn)練好的AI模型對患者胸片進(jìn)行自動(dòng)分析和特征提取，獲得客觀的影像學(xué)指標(biāo)。3. 采用隨機(jī)生存森林（Random Survival Forest, RSF）算法作為核心機(jī)器學(xué)習(xí)框架，構(gòu)建生存預(yù)測模型。4. 通過設(shè)置不同的特征組合（變量集），系統(tǒng)比較了僅使用CURB-65評分、結(jié)合臨床信息、以及最終融合所有特征（CURB-65、臨床信息和AI-CXR）的預(yù)測性能。5. 使用一致性指數(shù)（Concordance index, C-index）作為模型預(yù)測效能的主要評價(jià)指標(biāo)。
結(jié)果部分
研究隊(duì)列與基線特征
該研究最終分析了來自兩個(gè)獨(dú)立數(shù)據(jù)源的2,874次急診就診記錄。對所有患者的基線特征進(jìn)行了描述性統(tǒng)計(jì)分析，涵蓋了人口統(tǒng)計(jì)學(xué)信息、生命體征、實(shí)驗(yàn)室檢查結(jié)果以及CURB-65評分分布。分析顯示，隊(duì)列中包含不同嚴(yán)重程度的肺炎患者，為開發(fā)和驗(yàn)證預(yù)測模型提供了具有代表性的樣本。
多模態(tài)AI模型與傳統(tǒng)評分的比較
為驗(yàn)證多模態(tài)整合的優(yōu)勢，研究構(gòu)建了三個(gè)基于隨機(jī)生存森林（RSF）的生存預(yù)測模型，并以傳統(tǒng)的CURB-65評分作為基線對照。通過系統(tǒng)性地組合不同特征集，研究者比較了五種預(yù)測策略的效能。結(jié)果明確顯示，融合了所有可用信息的模型，即同時(shí)包含CURB-65評分、臨床信息和AI解讀的胸片（CXR）發(fā)現(xiàn)的模型，取得了最佳的預(yù)測性能。
包含AI解讀胸片信息的預(yù)測效能
核心發(fā)現(xiàn)表明，整合AI解讀的胸片信息顯著提升了模型的預(yù)測能力。在測試集中，使用全部特征集（CURB-65、CXR解讀和臨床信息）的隨機(jī)生存森林（RSF）模型獲得的一致性指數(shù)（C-index）為0.872（95%置信區(qū)間[CI]: 0.861–0.886）。這一結(jié)果顯著優(yōu)于未包含CXR解讀信息的RSF模型，后者的C-index為0.865（95% CI: 0.854–0.879）。這一差異具有統(tǒng)計(jì)學(xué)意義，證實(shí)了將客觀的影像學(xué)數(shù)據(jù)納入預(yù)測框架的有效性。
結(jié)論與討論
本研究的結(jié)論明確指出，開發(fā)并驗(yàn)證的這個(gè)多模態(tài)人工智能驅(qū)動(dòng)模型，能夠有效預(yù)測急診科肺炎患者的28天死亡率。其核心價(jià)值在于，該模型成功地將人工智能自動(dòng)解讀的胸片影像學(xué)特征與常規(guī)可得的臨床數(shù)據(jù)相結(jié)合，創(chuàng)造了一個(gè)超越傳統(tǒng)臨床評分（如CURB-65）的預(yù)測工具。最終模型的優(yōu)異性能（C-index = 0.872）強(qiáng)有力地支持了這一整合策略的有效性。
討論部分進(jìn)一步闡述了此項(xiàng)研究的重要意義。首先，它展示了人工智能在急診醫(yī)學(xué)場景中實(shí)現(xiàn)精準(zhǔn)預(yù)后評估的潛力。通過提供客觀、定量的死亡風(fēng)險(xiǎn)預(yù)測，該模型有望輔助急診科醫(yī)生進(jìn)行更合理的臨床決策，例如識別出那些看似穩(wěn)定但實(shí)際存在高風(fēng)險(xiǎn)、需要更密切監(jiān)測或更積極治療的患者，或者幫助判斷低風(fēng)險(xiǎn)患者的適宜出院時(shí)機(jī)。其次，研究采用的“多模態(tài)”方法——融合異構(gòu)數(shù)據(jù)源（影像與臨床數(shù)據(jù)），為未來開發(fā)其他疾病的臨床決策支持系統(tǒng)提供了可借鑒的范式。盡管研究存在回顧性設(shè)計(jì)等局限性，需要前瞻性研究進(jìn)一步驗(yàn)證其普適性，但這項(xiàng)研究無疑為利用人工智能增強(qiáng)急診科臨床判斷、優(yōu)化患者管理流程開辟了一條有前景的道路。
