利用人工智能和患者病历来预测阿尔茨海默病

利用电子健康记录中的数据，佛罗里达大学的研究人员设计了一个人工智能系统，可以在接受诊断前5年预测哪些患者会患上阿尔茨海默病。

目前，还没有针对阿尔茨海默病的早期筛查试验，只有在患者出现症状后才会被诊断出来。到那时，这种疾病已经造成了严重的脑损伤。

现实世界的临床数据，例如电子健康记录佛罗里达大学健康中心首席数据科学家、医学院生物医学信息学教授边江博士说，这些技术有可能成为阿尔茨海默病等疾病的强大筛查工具。许多已知的阿尔茨海默病的危险因素，如肥胖、高血压和高胆固醇，通常都记录在患者的电子健康记录中。

“我们正在开发和测试模型，使用人工智能从患者的医疗记录中提取这类信息，并预测哪些患者可能在心脏病发作前多年患上这种疾病诊断卞说。由佛罗里达大学人工智能新聘人员、健康结果和生物医学信息系助理教授Bian和Jie Xu博士领导的研究小组本周在《纽约时报》上发表了他们的研究结果阿尔茨海默氏症．

研究人员报告说，他们测试的两个人工智能模型都在“优秀”到“优秀”的范围内得分，使用标准性能衡量标准来确定人工智能模型完成给定任务的程度。

边说:“在这些人工智能工具供医生和病人使用之前，还需要进行更多的测试。”

但这项研究表明，利用电子健康记录中的患者信息来筛查阿尔茨海默病是可行的。超过650万65岁及以上的美国人患有阿尔茨海默病和相关的痴呆症。这种神经退行性疾病导致进行性记忆丧失和认知功能下降。随着时间的推移，这种疾病剥夺了老年人独立生活所需的技能。

研究表明，大脑中导致阿尔茨海默病和其他形式的痴呆症的变化比之前认为的要早得多——可能早在中年。

“医生和高危患者越早干预，这些干预就越有可能奏效，”徐说。

研究团队使用了来自OneFlorida+数据信托储存库中约1680万佛罗里达人的真实患者数据，剔除了患者的识别信息，确定了近2.4万名40岁以上被诊断患有阿尔茨海默氏症或痴呆症的患者。这些病人作为“病例”组。近104万名40岁以上未被诊断为痴呆症的患者作为对照组。

OneFlorida+数据信托是佛罗里达州和东南部部分城市数百万患者的安全电子健康记录存储库。

该团队测试了两项预测模型要求每个人扫描近10年的患者数据，并确定他们知道后来患上阿尔茨海默病的患者。计算机在四个时刻对预测的准确性进行了评分:患者确诊时，以及确诊前一年、三年和五年。

该团队的知识驱动模型基于当前的科学证据进行预测，包括已知的阿尔茨海默病风险因素，如健康状况、行为、生活方式习惯和已知导致阿尔茨海默病的药物，以及批准用于治疗阿尔茨海默病和相关形式的痴呆症的药物处方。

该团队的数据驱动预测模型在进行预测时使用了与基于知识的模型相同的科学证据，但具有灵活性，可以考虑健康记录中可能导致阿尔茨海默病的其他可用数据。

边说:“我们想看看数据驱动的模型是否能在专家们甚至没有意识到的数据中识别出健康的风险因素和社会决定因素。”

这两个模型总体上表现良好，但更灵活的数据驱动模型在诊断前和诊断时预测阿尔茨海默病方面明显优于知识驱动模型。

研究团队使用一种被称为“曲线下面积”(area under the curve，简称AUC)的机器学习指标来衡量他们的人工智能模型在诊断前预测阿尔茨海默病的程度，研究团队报告说，他们测试的两种人工智能算法的AUC得分都从0.85到0.95，被认为是“优秀”到“杰出”。

数据驱动的模型是表现最好的，在预测阿尔茨海默病时的“杰出”得分为0.939病人诊断前一年为0.906。尽管随着预测窗口的增加，其性能有所下降，但数据驱动模型在诊断前3年预测阿尔茨海默病时仍然获得了0.884的“优秀”分数，在诊断前5年预测阿尔茨海默病时获得了0.854。

数据驱动模型还确定了几种可能性风险因素知识驱动模型没有，包括肌肉无力，情绪障碍，萎靡不振和疲劳。此外，数据驱动的模型发现，接受预防性保健的女性，包括定期体检、妇科检查和乳房x光筛查，患阿尔茨海默病的风险比没有接受此类护理的女性低。

使用这样的筛查测试早期识别阿尔茨海默氏症是开发有效治疗方法和改善患者预后的关键第一步。

边教授说:“在疾病潜伏期开始的干预措施可能会更有效地维持或改善认知能力，延缓症状，甚至完全预防阿尔茨海默病。”