2022-8-24
機器學習(ML)系統已廣泛應用在臨床環境中輔助疾病風險預測，此類系統通過構建機器學習模型，利用各類患者數據分析危險因素，相比僅基于預先設定闕值的傳統CDSS可更多支持臨床診療決策。但仍有臨床醫生難以對輸入大量復雜數據的ML系統產生的預警及決策建議建立信任，甚至認為會對他們臨床決策的“自主性”產生威脅。
近期，發表在Digital Medicine的一項研究，研究背景是在部署了目標實時預警系統(TREWS)的一家醫院，即一種基于ML的膿毒癥檢測和治療管理系統，用扎根理論分析方法（一種歸納方法），分析使用TREWS至少6個月的20位醫生和護士對基于ML的CDSS在急性臨床護理中的使用經驗和感知，為系統設計人員、實施科學家、臨床醫生和醫療管理人員提供參考信息。
01
38%的ML CDSS預警
被證實患者確有膿毒癥
根據研究者介紹，從三家醫院收集了5年患者歷史數據，利用基于ML的風險評分開發了TREWS以支持臨床醫生及時識別和治療膿毒癥。
為了解釋膿毒癥患者的異質性，風險預測方法會自動發現膿毒癥的多種表型，并隨著時間的推移不斷調優，使得風險預測效果穩定且最佳。此外，TREWS還減少了假陽性警報，因為它規避了系統可能錯誤地將患者識別為膿毒癥的混雜合并癥的情況，從而提高預警的準確性。根據三家社區和兩家學院型醫院2年的數據反饋，基于系統共進行了469,419次病例篩查，產生31,591次預警，其中89%的預警在系統頁面內被響應，且系統的靈敏度為82%，相應的38%的預警被證實患者的確患有膿毒癥。而非基于ML CDSS的精確度較低，只有不到20%的預警被證實患者確患有膿毒癥。
02
不能深度理解ML CDSS原理
會構成臨床醫生應用障礙？
經過證實，ML CDSS預警的準確性較高，但尚不清楚臨床醫生如何看待ML CDSS產生的決策建議，因而此項研究背景是在美國一家應用TREWS的急癥護理醫院展開，研究團隊對2018年10月至2019年4月期間，使用TREWS至少6個月的不同臨床角色類型的20位醫生和護士，作為代表性樣本，由熟悉系統和臨床環境并接受過半結構化訪談方法培訓的專業人員對他們進行半結構化訪談。訪談指南包含了臨床醫生在膿毒癥診斷和治療中的作用、他們在TREWS和其它基于ML的CDSS方面的應用經驗，以及對ML在當前和未來醫學中承擔角色的看法等問題。
研究將扎根理論分析方法系統地應用于訪談的轉錄本，以確定臨床醫生在診療過程中如何理解和使用ML CDSS感知的相關主題，主要包含以下四個方面：
第一個主題是，臨床醫生認為基于ML的CDSS是對傳統CDSS的改進。在將ML CDSS與傳統CDSS進行比較時，大多數臨床醫生認識到ML CDSS的可靠性和及時性。傳統CDSS的預警，只是基于至少符合兩項全身炎癥反應綜合癥標準和一項器官功能障礙指標，他們認為由此來預警疾病風險，準確度不高。
第二個主題是，醫護人員認為基于ML的CDSS在診斷內外都起著輔助作用。雖然他們對ML CDSS背后的模型內部邏輯缺乏更深的理解，但通常都會對系統的預警做出響應，將其整合到診斷過程中。診斷之外的價值是臨床醫生和護士將該系統視為“第二雙眼睛”，在被大量臨床信息轟炸的情況下，系統的持續監測可以減輕他們的臨床診療負擔。
第三個主題是，臨床醫生確定了與系統建立信任的各種機制。雖然沒有一個臨床醫生完全理解系統背后ML的含義，但也并不認為理解系統在個別情況下的邏輯會改變他們的決策。臨床醫生報告說，只需了解這是一種機器學習工具并且可以進行數據挖掘，通過觀察不同場景和不同患者類型下系統的行為，就能更好地理解系統是如何運行的。除此以外，臨床醫生還重視系統的外部研究以及同事和專家的建議，使他們能夠在系統應用以外建立信任。
第四個主題是，醫護人員對ML在醫學上的應用仍然存在一定的信任障礙。雖然臨床醫生普遍對基于ML系統改善患者疾病進展的潛力充滿信心，但也表達了過度依賴AI系統會降低他們臨床診療能力的擔憂。但臨床試驗證據，或警報被忽略但患者被診斷為敗血癥等情況，能足夠說服他們在患者出現明顯癥狀之前按照系統的建議采取診療措施。
最后，研究者總結，ML CDSS改善臨床診療結果的能力取決于臨床醫生將系統提供的信息納入其工作的意愿。此外，研究數據表明，醫生高度重視對患者的直接觀察來驗證系統的建議，由此也增加了他們采納基于ML系統預警的意愿，且該系統被視為是輔助臨床醫護人員有力的決策工具，賦能了臨床診療決策全過程，并通過人機協作的形式，為患者取得更好的治療結果。
參考資料：
Henry, K.E., Kornfield, R., Sridharan, A. et al. Human–machine teaming is key to AI adoption: clinicians’ experiences with a deployed machine learning system. npj Digit. Med. 5, 97 (2022).
https://doi.org/10.1038/s41746-022-00597-7
成為我們的
合作伙伴
