人工智能在重症医学教学中的应用展望

郑晓博，张中伟

四川大学华西医院 重症医学科（成都 610041）

重症医学（critical care medicine，CCM）作为一门新兴的临床医学二级学科，其主要研究的是危及生命的疾病状态的发生发展规律以及相关的诊治方案[1]。CCM 这门学科具有理论上多学科知识广泛交叉、实践上操作性强、病人病情危重治疗难度大、各种治疗技术方法更新快等特点[2]。基于上述特点，CCM 的学习难度较大，即使是进入临床工作的医师其专业水平也良莠不齐。因此，CCM 的教学显得至关重要，2009 年中华医学会重症医学分会已开始启动“重症医学专科资质培训项目（5C 培训）”。尽管如此，如何进一步提升CCM的教学质量，提高CCM的医学生和医师的专业水平，已成为CCM教学中的重要问题。

1 CCM的定义与发展过程

1.1 CCM的定义

CCM 主要研究因各种损害、疾病而导致机体朝死亡发展的过程的特点以及规律，并依照这些规律和特点来制定相应的诊治方案的临床医学学科[3]。这个定义明确了CCM 研究的范围和临床诊治的对象，成为CCM 最核心的基本概念。重症（critical illness）是指那些可以由任何损害或疾病引起，已经或潜在危及生命的疾病或综合征，如脓毒症（sepsis）、急性呼吸窘迫综合征（acute respiratory distress syndrome，ARDS）、系统性炎症反应综合征（systemic inflammatory response syndrome，SIRS）、急性肾损伤（acute kidney injury，AKI）、多器官功能衰竭综合征（multiple organ dysfunction syndrome，MODS）等[4]。导致重症的损害是多种多样的，包括：感染、创伤、中风、出血、用药过量和大手术等。这些因素引起机体严重偏离稳态基线水平，导致身体系统的紊乱，进而导致疾病状态、器官功能障碍和临床上明显的发病率。CCM治疗的核心是根据器官水平的病理生理学，比如：休克、呼吸衰竭、肝衰竭、肾衰竭、肠道功能衰竭等，通过包括各种体外生命支持技术在内的多种手段，来达到维持器官水平稳态的目标[5]。

1.2 CCM的发展过程

CCM经历了以下三个阶段的发展，第一阶段（起步阶段，约1955-1980 年）：在此阶段，CCM 作为一个独立医学专业开始建立，机械通气和持续监测生理参数开始引入重症病人的治疗。第二阶段（加速阶段，约1980-2020 年）：在此期间，随着定量评分系统和标准化综合征定义的出现，CCM建立了相对完整体系，其中包括APACHE 评分[6]以及sepsis、ARDS、SIRS 和MODS的定义[7-8]。通过规范的综合征定义和疾病严重程度的定量描述，重症疾病的概念更加清晰。第三阶段（精准阶段，2020 年以后）：近年来，越来越多的研究表明，尽管CCM 的这些综合征在临床上容易被识别，其内部存在较大的异质性，对治疗的反应也不相同，已经到了需要重新考虑当前基于综合征的重症疾病框架的时候[9]。例如，脓毒症可由多种感染引起，由许多不同的病原体引起，并导致不同类型的器官损伤；ARDS 可能由肺部诱因（如肺炎或误吸）或非肺部诱因（如创伤或胰腺炎）引起[10]；谵妄可以表现为躁动和嗜睡。此外，还有时间上的异质性：在特定时间符合一种综合征诊断标准的患者可能会经历不同的发展过程，不同的阶段迥然不同。发病个体的异质性，从一个人到另一个人，宿主对损伤的反应存在巨大差异[11]。目前，大量的组学数据鉴定的内表型、临床大数据机器学习等鉴定的外表型已经证实重症医学的综合征具有显著的异质性[12-13]。通过分析综合征内部的异质性，以明确疾病病理生理学的精确机制，通过阻断发生机制和寻找潜在的治疗靶点，有利于更精准的治疗和改善预后[14]。未来的研究将不再强调综合征，而是将重点放在探讨支撑重症状态的潜在生物学机制变化上，探索这些机制并将其进行临床转化将是未来几十年重症医学研究的中心任务[15]。通过这个方向的研究将加速CCM 发展，促进对重症疾病的病理生物学和患者预后关键决定因素的理解。

我国重症医学科在发展过程中，有几个里程碑式的事件：在1996 年9 月成立了中国病理生理学会危重病学专业委员会，在2005 年3 月成立了中华医学会重症医学分会，在2008年7月成为临床医学二级学科，在2009 年7 月成立了中国医师协会重症医学分会，从2010年开始成为医生执业范围的专属专业之一。

2 CCM的教学特点

CCM通过过去30年的快速发展，目前已经形成了完整的学科体系和教学体系。CCM已成为一门独立的综合性临床学科，其不仅仅和其他学科有密切的关系，同时又有自身专有的理论系统。CCM的教学具有学科交叉性强、实践性强、所研究疾病病情危急、知识更新快等特点[16]。

2.1 多学科知识广泛交叉与自成体系的特点

CCM 研究的是危及生命的综合征，而不是单一的疾病，如休克、ARDS都不是单独的疾病。例如，休克包括低容量休克、分布性休克、心源性休克和梗阻性休克。重症医学其内容广泛，涉及多学科，比如：外科、内科、妇产科、儿科等多学科疾病。而在CCM 的诊治过程中，要用到心电监护、血流动力学监测、血液净化治疗、人工肝治疗等诊断治疗技术。对于危重症病人的评估、监护、治疗等都是多学科广泛交叉[17]。

2.2 实践性强的特点

CCM是一门操作多、实践强的学科，在治疗过程中常常需要完成动手操作。CCM 的常规操作包括：床旁纤支镜、气管插管、动静脉穿刺、胸腹腔穿刺、心肺复苏等。在诊治重症患者时，经常会出现需要及时处理的危险情况。如氧饱和度下降、血压下降、心跳骤停等，这时需要ICU医生进行紧急床旁处理[18]。

2.3 病情危重的特点

通常而言，重症医学科收治的都是危重病患、死亡率高，随时可能需要对病人进行抢救。当患者出现紧急情况时，需要对病情尽快作出判断，给予准确的救治，才能挽回患者的生命。如心跳骤停的病人，需要判断患者心脏骤停的原因，同时给予心肺复苏，边抢救边对原发病进行治疗[19]。

2.4 知识更新快的特点

从发展层面看，CCM属于较为年轻的学科，其理论体系仍在不断的发展中。例如，休克最早的定义是人体血压快速下降，逐渐发展为微循环的障碍，以及组织细胞的缺氧，近年来，学界将微循环线粒体呼吸窘迫综合征认为是休克的发生机制之一。在血流动力学监测方面，经历了简单的无创血压、有创动静脉压、Swan-Ganz漂浮导管、PICCO等技术的更迭[20]。

3 人工智能的定义及机器与深度学习

3.1 人工智能的定义

人工智能（artificial intelligence，AI）是研究用于模拟人的智能的新型技术科学，也属于计算机科学的分支之一[21]。人工智能希望通过了解智能本质来生产出类似于人类，并能够做出人类相同反应的智能机器[22]。其研究内容包括有：AI机器人，语言识别、图像识别、语言处理以及专家系统等[23]。人工智能可细分为机器学习和深度学习等方向，这几项技术覆盖的范畴是逐层递减的[24]。

3.2 机器学习概述

采用计算机来实时模拟人类的学习方式就是机器学习。其包括有怎样从经验中学习并对具体算法性能予以改善，对现有内容展开知识结构划分，进一步提升学习效率[25]。包含众多方法学，比如：概率论、统计学、复杂算法以及近似理论知识等。机器学习工作流程：①获取数据；②数据基本处理；③特征工程；④机器学习（选择算法模型训练）；⑤模型评估。结果达到要求，上线；结果没有达到要求，继续上面步骤。机器学习算法分类：①监督学习；②无监督学习；③半监督学习；④强化学习。机器学习常用算法包括：线性回归、Logistic回归、线性判别分析、分类与回归树、朴素贝叶斯、K近邻算法、学习向量量化、支持向量机[26]。

3.3 深度学习概述

深度学习是从人工神经网络的研究引申而来，其属性类别和特征通过组合低层特征形成更为抽象的高层来体现，以此来明确数据分布特征。之所以要研究深度学习，主要是为了AI能够构建模拟人脑进行分析的神经网络。通过模仿人脑机制来对数据展开解释，比如说文本、图像等[27]。深度学习主要涉及三类方法：卷积神经网络、自编码神经网络、深度置信网络[28]。

4 人工智能在CCM临床研究中的应用

人工智能能够很好的减轻医生的工作量，还可以为诊疗提供决策，指导患者治疗[29]。通过研究分析可以获知，借助人工智能能够快速识别急性失代偿心力衰竭的患者，以及危重症患者的早期预警[30]。人工智能能够让患者得到更快确诊，更好的治疗。在CCM 中人工智能主要应用在以下四个方面，分别为：疾病预警、诊断、治疗和预后恢复的判断[31]。

4.1 疾病预警

在ICU中，病情的快速恶化是很常见的，未被发现的病情加重往往导致患者不可逆的损害甚至死亡。早发现和早诊断对重症病人的病情改善和预后至关重要。一项通过随机森林分类建立的动态模型，通过建立的危险轨迹预测模型能够在患者病情恶化前90 min予以识别[32]。一项通过机器学习模型来降低术中低血压的随机对照研究发现，在接受AI 干预的患者中，低血压的发生率为1.2%，而采用常规方法的发生率为21.5%[33]。由于AKI发生后，除了肾脏替代治疗没有更好的治疗方案，因此早期识别发生AKI 的风险因素特别重要。DONG等[34]开发了一项机器学习模型，通过对生理指标的疾病前模式不断学习，能够早于现有的诊断指南48 h识别出儿童中重度AKI的发生。

4.2 疾病诊断

ICU 患者由于病情复杂，诊断常常较为困难。例如：肺部浸润性病变不能简单认为是肺水增大，其可能是心源性肺水肿，或感染导致的间质水肿，还可能是创伤性湿肺。因此，急需额外的手段来辅助临床医生进行诊断。在COVID-19 流行期间，采用AI 模型通过入院患者的CT图像对COVID-19患者进行诊断。结果发现深度学习模型能够准确的诊断COVID-19，其敏感性和特异性分别为90%和96%，AUC为0.96，并和社区获得性肺炎予以鉴别[35]。DAS等[36]在1期和2期实验中，使用有标准诊断答案的肺功能报告，让结合AI和肺病学家以及单独的肺病学家来进行解读。研究发现，结合AI和肺病学家相比单独的肺病学家、单独的AI能够更准确地解读肺功能检查的报告。

4.3 疾病治疗

已有研究发现针对脓毒症休克的患者进行分组试验和研究，其中试验组采用AI算法自动调节去甲肾上腺素输注速率达到最佳平均动脉压值，对照组则采用人为干预的方式来对输注速率进行调节，以累计输注去甲肾上腺素时间为试验终点。通过试验结果发现，试验组平均累计时间要比对照组更短。试验组的用药时间短，相应的其休克时间也会缩短。因此，能够通过AI算法来预知半衰期短的药物，从而提升治疗效果[37]。KOMOROWSKI等[38]开发了一种强化学习智能体（AI医师），它从大量患者数据中提取隐藏的知识，这些知识超过了临床医生一生经验的许多倍，并通过分析无数最优的治疗决策来改进最佳治疗。结果发现，AI 医师选择治疗的方案稳定可靠地优于临床医生。在独立于训练集的大型验证队列中，AI 医师决策治疗方案的患者死亡率更低。

4.4 疾病预后判断

当前的临床评分系统评估风险因素都是独立存在的，其对于结果的影响权重有限。AI 在分析风险因素的相关性和变化趋势时，会对单一和复合变量针对病死率的影响进行计算，针对获得的权重系数不断修正和学习，进一步提升预测准确率及特异性。GOTO等[39]应用AI来建立预测模型用于儿童急诊伤员的分类，并比较其与常规分检方法的优劣。结果发现，AI 来建立预测模型具有更好的区分能力来预测临床预后及分诊，同时减少对危重儿童的分诊不足和对病情较轻儿童的分诊过度。AI 也可应用于对治疗的反应性区分，ZHANG 等[40]采用AI 开发了一种预测模型（XGBoost），结果发现相较传统的logistics 回归模型，XGBoost 能够更好地区分对容量有反应性和无反应性的AKI。

5 人工智能在CCM教学中的应用前景

尽管在CCM 的教学上，已采用多种切实有效的教学方法，比如个体化教学、以问题为基础的教学（problem-based learning，PBL）、以案例为基础的教学（case-based learning，CBL）、多学科协助诊治的教学（multi-disciplinary treatment，MDT）、桌面推演法教学、以及思维导图法教学等[41]。但由于CCM理论知识和诊疗手段不断更新，仍需要探索更高效的教学方法[42]。从1995 年起，已运用AI 来对学生的临床思维展开训练[43]；在教学质量监控中，应用AI 技术中的BP 神经网络算法，并对以往人工日常教学检测的方式予以取代；2011 年起，开启了以学生的学习数据为基础制定个性化的学习服务。由此可见，如今AI已经广泛应用在高等教育中，以下解析AI 在CCM 教学中的潜在应用前景。

5.1 基于大数据的CCM教育质量监测和评估

要想提升教学质量，就必须对教学质量监测和评估予以完善。在日常教学中，可以同步展开以大数据为基础的教学质量监测和评估。对众多反馈信息展开阶段性和结果性评估，对教学质量进行严格控制。重症医学科的特点为课程较多，实践性强，学程长，综合专业性强。众多反馈信息对教学评估常态化和全面化有更大的推进作用。人工智能在师生互动和教学中的应用，能够有效解决学生因为实习地点不同而难以监控的问题，还能够及时调整教学方式方法。

5.2 早期接触临床智能系统

当前，医学教学的培养重点在于学生的岗位胜任力，学生从课堂到临床实践是从临床课程学习开始的，这也是学生参与临床治疗的过渡，目的是能够帮助他们构建临床思维，提升能力。目前的临床课程依然是以理论为主，很难将理论和实践有效结合起来。而如果采用临床智能系统则可以通过机器来模拟患者，人机交互，借助人工智能构建虚拟患者和环境。通过该系统能够让学生充分感知和了解整个诊疗过程，从而提升其岗位胜任能力。对学生表现进行科学评估也有利于提升学生自信，因此其也成为学生提升临床能力的主要工具之一。

5.3 基于数据挖掘的适应性学习

医学专业学习的课程包括很多，比如医患沟通、心理学、基础临床科学等等。除此之外，还需要展开临床实践学习。繁重的学习任务之下，每个学生都存在个体差异性。因此适应性学习系统会依照学生的实际情况来展开评估，为其制定个性化的学习方案。如此，学生就能够展开主动性学习和探究式学习。通过大量反馈的信息，可以更清楚教师教授内容和学生学习内容之间的差距。教师还可以借助在线资源来为学生在线答疑，通过人工智能技术为学生提供个性化服务，帮助学生有效提升学习成绩。

5.4 医学教育云资源

在医学教育领域中应用云计算技术来构建共享云平台，为CCM 教育提供有力辅助。该平台将众多共享资源集合起来，形成符合教育规律的集中式资源共享平台，其拥有快速的数据通信，强大的存储，为学生提供丰富的专业知识和内容。通过这种新模式能够有效提升CCM教育的教学质量和学生的学习效率。

6 小结与展望

AI作为一项能够模拟人类思维和能力的智能化技术，已在各个领域越来越广泛应用，将AI 和教学结合是CCM 教学领域应用的一种新模式。这种新模式的出现，对于CCM教学领域是一项重大的变革。AI在教育教学管理以及智能教学，自适应学习中都具有很大的发展前景。通过这项技术能够使CCM 教学更加个性化、多元化，进而有效推动CCM 教育管理和研究的发展。