Инструменты предписывающего искусственного интеллекта переводят интенсивную терапию в сторону персонализированного лечения.

Реанимационная помощь требует быстрых решений на основе сложных, меняющихся данных. Прогностические модели прогнозируют ухудшение состояния, но не определяют терапию. Предписывающий ИИ — причинное машинное обучение (ML) и обучение с подкреплением (RL) — могут устранить этот разрыв. Причинное ОД оценивает индивидуальные эффекты лечения; RL со временем создает адаптивную политику лечения. В этом обзоре рассматривается переход от прогнозирования к персонализации, ключевые препятствия и будущие пути, включая цифровые двойники и системы, работающие в режиме клинициста.

Введение

Реанимационная помощь требует быстрых мер, основанных на постоянно меняющихся данных. Решения относительно жидкости, вазопрессоров или ПДКВ определяют выздоровление. У каждого пациента есть уникальная траектория, и отделения интенсивной терапии генерируют разнородные данные: лабораторные данные, показатели жизнедеятельности, записи, формы сигналов, изображения. Персонализация требует индивидуальных оценок, прогнозирующих последствия клинических действий, а не средних показателей по популяции. ИИ обеспечивает основу: прогностические модели прогнозируют ухудшение ситуации, МО оценивает последствия вмешательства, а RL оптимизирует последовательность решений.

Текущее состояние ИИ

Большинство приложений ИИ остаются прогнозирующими. Системы раннего предупреждения прогнозируют ухудшение ситуации; модели прогнозируют ОПП, сепсис или смертность. ИИ идентифицировал субфенотипы сепсиса, ОПП и ОРДС, выявив биологически различные кластеры. Мультимодальные модели теперь объединяют записи, формы сигналов, изображения и заметки в виде произвольного текста с использованием рекуррентных сетей, преобразователей и больших языковых моделей. Однако эти системы оценивают вероятность, но не рекомендуют меры вмешательства. Модель может прогнозировать искусственную вентиляцию легких, но не давать советов, стоит ли усиливать поддержку, корректировать седацию или начинать положение на животе. Этот пробел указывает на необходимость в моделях последовательного принятия решений, учитывающих причинно-следственные связи.

Достижение истинной персонализации

Причинное ML: Причинное ML оценивает гетерогенные эффекты вмешательства, а не ассоциации. Он определяет причинные оценки – средний эффект лечения, эффект индивидуального лечения и ценность правила индивидуализированного лечения. В отделениях интенсивной терапии лечение редко бывает рандомизированным, что вносит путаницу. Доверие зависит от условной взаимозаменяемости, позитивности, последовательности и правильной спецификации модели. Методы включают сопоставление склонностей, взвешивание обратной вероятности, причинные леса, метаобучающиеся и продольные g-методы. Они могут ответить на вопрос, помогают ли жидкости или вредят пациенту при септическом шоке, или улучшает ли более высокое ПДКВ оксигенацию, не ухудшая гемодинамику. Классические модели прогнозируют ОПП, но не могут сказать, улучшает ли введение жидкости результаты. В недавнем исследовании использовались причинно-следственные леса и дерево политики для выявления септических пациентов с ОПП, которым, вероятно, будет полезно ограничить введение жидкости; у тех, кто, как предполагалось, получит выгоду, были более высокие показатели восстановления ОПП.

РЛ: RL оптимизирует последовательность вмешательств с течением времени. Реанимационная помощь динамична: инсулин титруется ежечасно, настройки аппарата искусственной вентиляции легких корректируются, баланс жидкости и вазопрессоров восстанавливается. RL формализует это как марковский процесс принятия решений с состояниями, действиями, переходами и вознаграждениями, стремясь к политике, максимизирующей совокупное вознаграждение. Поскольку метод проб и ошибок при лечении пациентов в критическом состоянии невозможен, приложения используют автономное RL, изучая ретроспективные данные в соответствии с исторической практикой. Крайне важны тщательная неполитическая оценка – выборка по важности, вдвойне надежные методы, адаптированная оценка Q. RL применялся к жидкостям и вазопрессорам при сепсисе, ИВЛ и контроле гликемии после кардиохирургических операций, при этом валидация показала, что рекомендации, по крайней мере, столь же безопасны, как и рекомендации опытных клиницистов. Необходимы проспективные испытания.

Проблемы

Качество данных: Записи содержат отсутствующие данные, задержку документации, несоответствия модулей и артефакты устройств. Реализация требует надежной обработки данных, их приема в режиме реального времени и гармонизации. Отсутствие совместимости препятствует интеграции.

Интерпретируемость: Клиницисты должны знать, какие особенности определяют рекомендации. Объяснимый искусственный интеллект и человекоориентированный дизайн остаются недостаточно изученными в условиях повышенной остроты.

Интеграция рабочего процесса: Системы должны соответствовать быстро меняющимся командным рабочим процессам. Несвоевременные оповещения увеличивают нагрузку. Совместное проектирование и тестирование удобства использования имеют важное значение. Клиницисты должны сохранять полномочия, а механизмы обхода должны быть зарегистрированы. Пороговые значения должны быть настроены так, чтобы свести к минимуму усталость от оповещений.

Конфиденциальность и безопасность: Интерфейсы реального времени требуют аутентификации, доступа на основе ролей и ведения журнала аудита.

Перспективная валидация: Ретроспективная точность не может подтвердить RL и причинное ML. Оценка вне политики приближает производительность, но не может предвидеть динамичную среду. Тихое развертывание и моделирование предлагают пути с меньшим риском. В этой области отсутствуют стандартизированные системы оценки.

Документация и управление: Необходимы карты моделей, происхождение данных и непрерывный мониторинг отклонений. Политика RL может меняться, что усложняет надзор. Такие структуры, как надлежащая практика машинного обучения и руководство SaMD, подчеркивают целевое использование, управление рисками и контроль изменений.

Справедливость: Исторические данные отражают неравенство. Требуется постоянный аудит и переподготовка с учетом принципа справедливости.

Будущие направления

Причинное ОД должно двигаться в сторону надежных оценок эффекта лечения с использованием эмуляции целевых испытаний, изменяющихся во времени методов смешивания и многомерных g-методов. Исследования должны заранее определять оценки, сообщать о положительной диагностике и включать внешнюю проверку. RL останется оффлайн; консервативное Q-обучение, распределительное RL и методы, упорядоченные по поведению, ограничивают небезопасную экстраполяцию. Многоцелевые вознаграждения, уравновешивающие конкурирующие приоритеты, приближают политику к клиническим компромиссам. Проспективная валидация должна идти по пути ретроспективной разработки, неполитической оценки, моделирования, бесшумного внедрения и пилотных проектов с участием клинициста. Цифровые двойники — виртуальные пациенты, сочетающие физиологию с данными в реальном времени — могут обеспечить безопасную среду для тестирования. Отчетность должна соответствовать TRIPOD-AI, PROBAST-AI, DECIDE-AI, SPIRIT-AI и CONSORT-AI.

Ограничения

Это повествовательный обзор; Выбор исследования отражает мнение редакции. Литература остается в основном ретроспективной и проверочной, без проспективных исследований, показавших улучшение результатов.

Выводы

ИИ может вывести реанимационную помощь за рамки прогнозирования и перейти к индивидуальному назначению лекарств. Причинное ОД оценивает эффект лечения; RL оптимизирует последовательность действий. Проблемы остаются — качество данных, интерпретируемость, интеграция рабочих процессов, проверка, управление и справедливость — но цифровые двойники открывают пути для безопасного тестирования. Эти системы представляют собой инструменты поддержки принятия решений; врачи сохраняют высшую власть. При ответственной разработке они могут обеспечить правильное лечение для нужного пациента в нужное время.