如果医生能够迅速而准确地为患者开具个性化的抗生素治疗方案，从而减少药物耐药性，那会怎么样？
在新加坡，这一愿景可能很快就会成为现实，这要归功于人工智能的帮助。新加坡综合医院（SGH）与DXC Technology公司和国家健康科技机构Synapxe合作，开发了一种名为“感染性疾病增强智能”（AI2D）的解决方案，旨在针对医院中常见的两种感染——肺炎和尿路感染。
新加坡综合医院临床科学家发展中心副教授Andrea Kwa和DXC Technology东盟咨询与分析总监Valerie Nathan在接受《前沿企业》采访时详细介绍了这项创新。
尖端技术
据Kwa介绍，人工智能在帮助医生做出正确诊断方面具有巨大潜力，在抗生素使用方面，确保开具正确的药物。
她说：“我们设想，如果通过使用患者的临床特征、症状、生化结果和临床病史以及胸部X光报告，我们可以辅助医生以一定的确定性排除细菌性肺炎，那么从一开始就开具合适的抗生素将变得更加适当。如果患者患细菌感染的风险非常低，那么医生可能不需要开具抗生素。”
在美国，疾病控制与预防中心（CDC）报告称，该国高达50%的抗生素处方是不必要的或不适当的，其中大部分是在住院环境中开具的。
在试点验证研究中，由其药剂科领导的新加坡综合医院展示了AI2D在判断是否需要抗生素方面的准确率达到90%。
Kwa解释说：“AI2D在预测细菌性肺炎方面比医生更具体，而医生在预测疾病方面更敏感。如果医生在临床判断中使用AI2D，他们的高敏感度将通过AI2D提供的高特异性得到增强，从而在细菌性肺炎的诊断和预测方面更加精准。结合这两者，最终的临床判断将变得非常精确。”
根据新加坡综合医院的说法，肺炎模型利用了2019年至2020年间约8,000名新加坡综合医院患者的回顾性去标识化临床数据，包括X光片、临床症状、定期生命体征以及常见感染反应的趋势。
然后，该模型在2023年的另外2,000个病例中进行了验证，模拟了实际部署时的真实使用情况。
新加坡综合医院在一份声明中表示：“除了展示出高精度外，试点验证研究还显示，在这些病例中，几乎40%的用于治疗肺炎的抗生素可能是不必要的。这种情况并非新加坡独有。”
整合挑战
为了在临床数据整合过程中保持准确性和可靠性，必须克服几个技术问题。
Nathan表示，这些问题包括由于多种数据来源和数据孤岛导致的数据质量和一致性问题，这要求对数据集进行处理和准确分类。
她说：“幸运的是，这些挑战可以通过数据工程和数据清洗策略来解决。数据工程努力将患者旅程中各个阶段收集到的医疗信息转化为可用于特定疾病分析的有用组件，而数据清洗策略则解决了缺失信息和数据标准化的问题，这是AI模型所需的。”
Nathan还警告不要过度依赖AI模型，这可能导致决策中的无意识偏见或无意中机器替代人类判断。“有些病例需要手动审查，在这些情况下，运营AI模型识别出了需要额外审查的治疗概况，从而减少了抗菌管理计划（ASP）团队立即关注的病例数量。”她回忆道。
Nathan补充说：“该模型将需要审查的病例数量减少了三分之一（从2,012例减少到624例），并将识别出需要干预的优先病例的可能性提高了三倍。”
最后，随着法规和合规框架难以跟上AI技术的速度和快速发展，患者和医疗服务提供者需要充分了解AI系统中数据的使用方式，以确保符合道德规范。同样，参与组织也需要适应围绕AI主题不断变化的法规。”Nathan指出。
Kwa强调说：“需要包括数据完整性和安全性的数据治理，新加坡在这方面已经做得很好。”
未来方向
全球范围内，抗生素研发管道正在枯竭，很快将没有制药公司生产抗生素。这就是为什么新加坡综合医院专注于改进AI2D的原因，Kwa说。
她说：“超过50%销售抗生素的公司已经破产。这也意味着新推出的抗生素将在几年内因抗微生物耐药性而失效。我们预计AI2D将减少不必要的抗生素处方，从而延缓抗生素耐药性，直到我们有更好的选择。”
与此同时，DXC公司正在与医疗服务提供者合作，探讨如何通过数字孪生进一步将AI集成到医院工作流程的其他部分。
Nathan总结说：“通过这个项目，我们学到了宝贵的经验，即人工智能通过数据收集和分析有能力增强医疗程序。试点研究不仅展示了肺炎抗生素处方90%的准确性，还显示了近40%的肺炎抗生素处方可能是不必要的。”
(全文结束)
