人工智能可以帮助预测患者患脓毒症、心脏病和癌症等疾病的风险。但许多这类工具在实际临床实践中效果不佳，因为医生难以解读和信任它们。
加利福尼亚大学旧金山分校(UCSF)的研究人员开发了一种新方法，将人工智能的速度与人类专家的判断相结合，用于构建临床预测工具。
这种方法在2026年6月6日发表在《自然》(Nature Portfolio)旗下期刊《npj Digital Medicine》上，提供了一种新的开发工具模型，将人工智能快速分析医疗记录的能力与临床医生识别偏见、发现错误并确保结果在实践中合理的专业知识相结合。
该框架名为HACHI（Human+Agent Co-design for Healthcare Instruments的缩写，意为"人类与智能体协同设计医疗仪器"），在人工智能和临床医生之间分配工作，使双方都能发挥所长。HACHI使用AI筛选大量医疗记录以寻找预测线索，而人类专家则帮助确定哪些发现足够有意义，可纳入预测模型。
"我们的目标是设计能够与临床医生和数据科学家协同工作的AI智能体。通过合作，他们可以构建出比任何单一群体单独工作更好的工具。"论文主要作者、UCSF流行病学和生物统计学副教授Jean Feng博士表示。
不同于构建复杂的"黑箱"系统，HACHI使用AI识别最有可能改善简单、透明预测模型的风险因素和临床概念。该框架以日本著名的忠诚犬Hachikō命名，反映了迭代学习的力量。就像狗通过反复训练和反馈学习一样，临床医生不断指导和完善AI的工作，以改进最终的预测模型。
研究人员发现，在两项真实的临床挑战中，HACHI的表现优于研究中测试的常用方法：预测儿童头部创伤后的创伤性脑损伤和预测成人手术后的急性肾损伤。
在研究创伤性脑损伤时，研究团队使用HACHI开发了一个包含五个因素的体征和症状模型，用于预测急诊科就诊的头部创伤儿童最终是否会被诊断为创伤性脑损伤。通过关注最有意义的风险因素并消除误导性信号，该模型预测创伤性脑损伤的准确性高于现有方法。
对于急性肾损伤（肾功能突然下降），HACHI方法识别出了已确立和以前被忽视的风险因素，并在不同时期提高了性能。
构建这些模型时，AI在临床记录中识别和测试潜在风险因素，而临床医生则审查结果并提出改进建议。经过仅仅三到四轮反馈（不到八小时），团队就开发出了强大的模型，可能将通常需要数月的开发过程大大缩短。
研究人员计划在真实的临床环境中测试HACHI生成的模型，并将该框架扩展到其他医疗状况。他们认为，这种方法可以帮助加速整个医疗保健领域实用、可靠预测模型的开发。
作者：其他UCSF作者包括Avni Kothari, MS；Andrew Bishara, MD；Lucas Zier, MD；Patrick Vossler, PhD；和Aaron Kornblith, MD。
资助：本工作得到了患者中心结果研究研究所(PCORI) (ME-2022C1-25619)、美国国立卫生研究院国家普通医学科学研究所(K23GM151611)、美国国立卫生研究院尤妮斯·肯尼迪·施莱弗国家儿童健康与人类发展研究所(K23HD110716)以及通过旧金山总基金会获得的扎克伯格·普丽西拉·陈质量改进基金的支持。
披露：作者报告无利益冲突。
【全文结束】