圣地亚哥——研究人员在消化疾病周2025会议上报告，一种名为轨迹流匹配（TFM）的新型生成人工智能框架可以预测重症监护病房（ICU）中急性胃肠道出血患者对红细胞输血的需求和死亡风险。
急性胃肠道出血是导致消化系统相关住院最常见的原因，每年估计有50万名患者因此住院。已知在最初24小时内预测红细胞输血的需求可以改善复苏并减少发病率和死亡率。
然而，现有的临床评分系统Rockall评分在预测死亡率方面表现不佳，加拿大蒙特利尔麦吉尔大学的MD-PhD学生Xi (Nicole) Zhang在消化疾病周上告诉与会者。Zhang说，该评分系统的曲线下面积为0.65-0.75，需要更好的预测方法。Zhang的研究合作者包括耶鲁大学医学院助理教授、应用人工智能主任Dennis Shung博士。
“我们希望不仅预测死亡率，还预测多种其他结果，”同时也是魁北克人工智能研究所学生的Zhang说。
因此，研究人员转向了TFM方法，将其应用于ICU中急性胃肠道出血患者，以预测输血需求和院内死亡风险。根据James Y. W. Lau博士及其同事2020年的研究，全因死亡率高达11%。非静脉性上消化道出血的再出血率高达10.4%。Zhang说，静脉性上消化道出血的再出血率高达65%。
研究人员使用的人工智能方法在预测输血需求和估计死亡风险方面优于标准深度学习模型。
定义AI框架
“概率流匹配是一种生成型人工智能，通过常微分方程学习如何从简单分布变为复杂分布，”Zhang在接受《Medscape Medical News》采访时说。“例如，如果你有一些线条和形状，你可以学习如何将其变成一张详细的面部肖像。在我们的案例中，我们从几个血压和心率测量值开始，学习血压和心率随时间变化的模式，特别是当它们反映血流动力学不稳定的临床恶化时。”
Zhang表示，另一种思考底层算法的方式是想象一条河流中的船只，河流的流动决定了船只的最终位置。“我们试图通过调整运河中的水流将船只引导到正确的码头。在这种情况下，我们将前几个数据点的分布映射到整个患者轨迹的分布。”
她表示，获得的信息有助于安排内镜检查的时间或分配紧急输血所需的红细胞产品。
研究细节
研究人员评估了一个由2602名ICU患者组成的队列，这些患者来自公开可用的MIMIC-III数据库。他们将患者分为一个包含2342名患者的训练集和一个包含260名患者的内部验证集。输入变量包括严重肝病并发症、血管加压药物的使用、平均动脉血压和前24小时的心率。
排除了血红蛋白，因为目的是测试血流动力学参数的轨迹，而不依赖于用于指导红细胞输血的血红蛋白阈值。
结果指标是在24小时内进行浓缩红细胞输血和全因院内死亡率。
TFM在预测红细胞输血方面比标准深度学习模型更准确，准确率为93.6% vs 43.2%；P ≤ .001。在预测全因院内死亡率方面也更准确，准确率为89.5% vs 42.5%，P = .01。
研究人员得出结论，TFM方法能够预测急性胃肠道出血患者的血流动力学轨迹，并且在预测平均动脉血压和心率的偏差方面优于基线。
专家观点
“这是一项令人兴奋的概念验证研究，表明生成型人工智能方法可以应用于复杂的数据集，从而改进我们当前的预测模型并改善患者护理，”杜克大学医学副教授兼执业胃肠病学家Jeremy Glissen Brown博士说。他为《Medscape Medical News》审查了这项研究，但没有参与研究。
“未来的工作可能会研究在实时数据上实施这种模型的一个版本。”
他补充说：“我们在胃肠病学和临床医学中的预测模型正处于一个令人兴奋的转折点。基于深度学习和生成型人工智能的预测模型有望改善我们对疾病状态的预测和治疗，但这种研究产生的兴奋需要与当前深度学习和生成模型相比传统回归模型的权衡相平衡。这些问题包括长期以来在卷积神经网络时代出现的‘黑箱’可解释性问题，以及由于TFM的连续性和隐式性质而产生的一些方法特定问题。”
Glissen Brown进一步阐述说：“TFM，像许多深度学习技术一样，引发了关于可解释性的担忧，我们长期以来在卷积神经网络中看到的‘黑箱’问题——很难解释模型是如何以及为什么做出特定决策的。但TFM还引入了独特的挑战，因为它通常学习流而没有明确定义中间表示或步骤，因此很难追踪它用来连接输入和输出的逻辑或路径。这使得标准的可解释性工具效果较差，需要新的技术来适应这些连续架构。”
“这种方法可能具有真正的临床影响，”纽约市西奈山伊坎医学院医学和人工智能副教授Robert Hirten博士说，他也审查了这项研究。“实时准确预测输血需求和死亡风险可以帮助早期、更有针对性地干预高危患者。尽管这些发现仍需在前瞻性研究中得到验证，但它可以增强ICU的决策和资源分配。”
“对于执业胃肠病学家来说，我们设想这个系统可以帮助他们在ICU中确定何时对急性胃肠道出血的高危患者进行内镜检查，”Zhang在接受《Medscape Medical News》采访时说。
研究人员表示，这种方法将有助于识别独特的患者特征，使高危患者的识别成为可能，并推动个性化医疗的发展。
Hirten、Zhang和Shung没有披露利益冲突。Glissen Brown报告了与Medtronic、OdinVision、Doximity和Olympus的咨询关系。
美国国立卫生研究院资助了这项研究。
(全文结束)
