犹他大学精神病学系和亨茨曼心理健康研究所的研究人员在《Patterns》杂志上发表了一篇论文，介绍了RiskPath，这是一种开源软件工具包，使用可解释的人工智能（XAI）来预测个体在出现症状前几年是否会发展成进行性和慢性疾病，这可能彻底改变预防性医疗保健的提供方式。
XAI是一种能够以人类可以理解的方式解释复杂决策的人工智能系统。
这项新技术通过分析多年收集的健康数据中的模式，以前所未有的85%至99%的准确率识别高风险个体，在疾病预测和预防方面取得了重大进展。
目前用于纵向数据的医学预测系统往往不够准确，正确识别高风险患者的概率仅约为一半到四分之三。
与现有的纵向数据预测系统不同，RiskPath使用先进的时序AI算法，并使其可解释，从而提供全面的模型，揭示风险因素在整个疾病发展过程中如何相互作用及其重要性的变化。
“慢性、进行性疾病占医疗保健费用和死亡率的90%以上，”犹他大学卫生学院精神病学助理教授Nina de Lacy表示。
她补充说：“通过在症状出现之前或疾病早期阶段识别高风险个体，并确定在不同生命阶段最重要的风险因素，我们可以制定更有针对性和更有效的预防策略。预防性医疗保健可能是目前最重要的医疗保健方面，而不仅仅是治疗已经出现的问题。”
研究团队在三个主要的长期患者队列中验证了RiskPath，涉及数千名参与者，成功预测了八种不同的疾病，包括抑郁症、焦虑症、多动症、高血压和代谢综合征。他们表示，这项技术具有几个关键优势：
- 增强对疾病进展的理解：RiskPath可以绘制出不同风险因素在时间上的重要性变化，揭示干预的关键窗口。例如，研究表明，随着儿童接近青春期，屏幕时间和执行功能已成为多动症越来越重要的风险因素。
- 简化风险评估：尽管RiskPath可以分析数百个健康变量，但研究人员发现，大多数疾病只需使用10个关键因素就能以相似的准确性进行预测，使临床环境中的实施更加可行。
- 实用的风险可视化：该系统提供了直观的可视化，显示一个人生命中的哪些时间段对疾病风险贡献最大，帮助研究人员确定最佳的预防干预时机。
研究团队目前正在探索如何将RiskPath整合到临床决策支持系统、预防护理计划以及精神疾病的神经基础研究中。他们计划扩大研究范围，包括更多的疾病和多样化的人群。
更多信息：Nina de Lacy等人，《RiskPath：用于纵向数据多步骤生物医学预测的可解释深度学习》，《Patterns》（2025）。DOI: 10.1016/j.patter.2025.101240
由犹他大学卫生科学部提供
(全文结束)
