人工智能（AI）在重症监护病房（ICU）中的研究主要集中在开发模型（从线性回归到深度学习）以预测结果，例如死亡率或败血症。
然而，AI 的另一个重要方面往往没有被视为 AI，即预测不同行动可能导致的患者结果或事件，这被称为因果推断。AI 的这一方面对于 ICU 的决策至关重要。为了强调因果推断的重要性，本文建议将任何用于因果推断任务的数据驱动模型称为“可操作性 AI”，而不是“预测性 AI”，并讨论这些模型如何为 ICU 提供有意义的决策支持。
预测性 AI 与可操作性 AI
预测性 AI 应该执行预测任务。在临床实践的背景下，这涉及到生成当前或未来患者结果的可能性预测。因此，预测性 AI 可以提供可能发生不良事件的早期预警，使 ICU 医生能够预先考虑适当的干预措施。
然而，它不能预测如果实施特定干预措施，患者结果的概率会如何变化，因为它完全依赖于关联关系。例如，虽然姑息治疗咨询和去甲肾上腺素输注都高度表明患者死亡率，但不能合理得出停止任何治疗会降低患者死亡率的结论。换句话说，预测性 AI 无法指导 ICU 临床医生该做什么，因为它仅提供早期预警。
为了让 AI 在治疗决策中为 ICU 医生提供建议，即“可操作性 AI”，必须考虑因果关系。可操作性 AI 应该执行因果推断任务，这意味着它会预测（未来）不同治疗决策可能导致的患者结果或事件。通过比较这些结果，可操作性 AI 可以建议导致最佳预测结果的治疗选项（即最优治疗）。
在医学中，因果推断任务传统上通过进行随机对照试验（RCT）来完成。治疗的随机化使人们可以将治疗组之间的结果差异解释为治疗的因果效应。
因此，可以简单地比较结果，并得出结论认为观察到的最佳结果代表最优治疗。然而，在观察性研究中，因果推断任务更加复杂，常常受到共同因素（混杂偏倚）和共同效应选择（选择偏倚）的影响。因此，AI 要想从观察数据中“学习”因果推断任务，就需要调整这些偏倚。为此，使用适合考虑的治疗类型的调整方法至关重要。
重症监护医学是连续性的决策
如果治疗决策只在基线时发生，例如 RCT 中的随机“意向治疗”，它被称为“时间固定”治疗。在考虑时间固定治疗的观察性研究中，治疗决策仅在基线时发生，因此混杂只发生在基线。在这种情况下，常规的偏倚调整方法（如回归或倾向匹配）就足够了。
然而，ICU 治疗通常包括一系列治疗决策。例如，在败血症中，是否给药物输液和血管加压药的决策不仅需要在败血症开始时做出，而且还要在 ICU 住院期间的多个时间点做出。
因此，ICU 患者通常根据特定的治疗方案或策略接受治疗，这代表了一套基于患者反应的随访治疗决策规则。当存在多次决策时，作为混杂因素的患者特征可能随时间变化，甚至会受到之前治疗决策的影响，导致所谓的“时间变化混杂”。为了适当调整这一点，需要更复杂的方法，其中一些方法已应用于 ICU 研究中。
ICU 中的可操作性 AI：我们准备好了吗？
尽管 ICU 研究主要集中于预测性 AI，但越来越多的研究兴趣集中在开发可操作性 AI。例如，Shahn 和同事通过目标试验模拟开发了一种边际结构模型，表明通过更严格的液体策略可以改善败血症的结果。同样，Komorowski 和同事提出了一个强化学习模型，该模型预测了败血症中最佳的液体和血管加压药剂量。
两个模型都试图执行因果推断任务，尽管 Shahn 采用的是统计方法，而 Komorowski 采用的是机器学习方法。然而，这两项研究都依赖于观察数据，因此无论是统计方法还是机器学习方法都无法保证成功的因果推断。使用观察数据进行因果推断具有挑战性，临床领域的知识对于理解治疗和结果之间的因果关系至关重要。因果图可以帮助可视化潜在的偏倚来源，但需要注意的是，使用观察数据永远无法完全排除偏倚。此外，一个重大挑战是通常有限的“有效样本量”，即在建模和观察到的治疗方案一致的患者历史数量。克服这些挑战是成功将可操作性 AI 应用于临床实践的前提。
尽管使用观察数据有望将 AI 带到病床旁，但目前使用 RCT 数据可能是最安全的途径。因为在 RCT 中，因果推断任务已经通过随机化实现了。尽管 RCT 提供了平均治疗效应的估计，但可以利用这些数据创建更个性化的治疗效应估计模型，即“个性化”或“精准”医学。然而，即使有足够的 RCT 数据，适当的建模方法也并不简单，仍然存在各种挑战，比如如何处理治疗异质性的问题。
未来展望
可操作性 AI 模型有潜力在治疗选择方面为 ICU 医生提供指导，尽管在安全实施这些模型之前仍然存在挑战。我们设想未来的可操作性 AI 模型将仍然是“窄 AI”的例子，专门用于为特定患者群体和临床情境提供具体的治疗决策建议，而不是全能的“通用 AI”。
个人思考
随着 ChatGPT 等生成式 AI 的问世，人工智能在我们的生活中应用越来越广泛。本文探讨了 AI 在医学领域的应用，特别是因果推断的使用。我个人认为，这一方向在未来具有广阔的应用前景。
随着社会的发展，人们对卫生健康的要求日益提高。我相信，这类因果推断 AI 的应用将在未来为每个人提供个性化的最佳治疗方案预测，带来实质性的好处。
·END·
