人工智能的“死亡算法”:机器帮助人类理解死亡

yanyan. · 2019-03-19
对于那些想在家里死去的人来说,正确预测死亡时间至关重要。

编者按:医患关系的破裂可能是全球医疗的一个普遍情况,医生们疲于应对各种突发情况,无法真正与病人沟通,与此同时,医疗误诊的情况又比比皆是。在《Deep Medicine: How Artificial Intelligence Can Make Healthcare Human Again》一书中,作为内科医生的作者Eric Topol揭示了人工智能是如何在预测死亡方面起作用的。原文标题为“WILL MACHINES BE ABLE TO TELL WHEN PATIENTS ARE ABOUT TO DIE?”,文章由36氪编译,希望能够为你带来启发。

人工智能的“死亡算法”:机器帮助人类理解死亡

几年前的一个温暖晴朗的下午,我90岁的岳父正在打扫他的庭院,突然间感到虚弱和头晕。 他跪倒在地,爬进自己的公寓,躺倒在沙发上。 由于我们就住在一个街区以外,几分钟后我的妻子苏珊就赶到了他家,当时他有些发抖但并没有迷糊。苏珊在我上班的时间给我发了短信,让我过去看看。

当我赶到的时候,他很虚弱,都无法靠自己站起来,没人清楚到底是什么引起的。一个初步的神经检查没有发现任何异常: 他的语言和视力正常,肌肉和感觉功能正常,只是有些肌肉发抖的情况。 智能手机的心电图和超声波检查都正常。尽管我知道事情不会很快有结论,我还是建议带他去急诊室看看。

我岳父约翰是一个二战时期获得过紫心勋章(Purple Heart)的老兵,从来没有生过病。 直到最近几个月,他出现了轻微的高血压症状,他的内科医生给他开了一种弱利尿剂“氯噻酮”。 除此之外,他这些年来唯一的药物就是每天一片(少剂量)起到预防作用的阿司匹林。

经过一番劝说,他总算同意去医院看一下。于是我和他的妻子一起开车前往当地的急诊室。 那里的医生认为他可能是中风了,但是头部CT又没有发现任何异常情况。但随后的血液分析结果却出人意料地显示:钾含量极低,只有1.9 meq/l。这是我见过的最低的钾含量水平了。利尿剂并不会导致钾含量的骤减,因而它不太可能是罪魁祸首。不管怎样,约翰住院过夜的原因只是为了通过静脉注射和口服补充剂来恢复他的钾含量。

一切都很正常,直到几周后他突然开始吐血。 他实在是不愿意被人知道“生病”,所以他让妻子不要打电话给苏珊。但他太太实在惊慌失措,最终还是给苏珊打了电话。 苏珊很快赶到了现场: 卧室,客厅和浴室,到处都是血。 她的父亲意识完全清醒,只是呕吐的症状和上大号时排出的黑色柏油状大便是两个明显的迹象:他有严重的胃肠道出血。他需要再去一次急诊室。 几个小时后,约翰接受了胃肠道专家的会诊,并在一次紧急内窥镜检查后发现,他患有食管静脉曲张 —— 这种异常的血管网络的主要病因是门脉高压 ——这也是导致出血的原因。

为了定位出血源并进行手术,约翰接受了麻醉并注射了芬太尼(一种强效、类鸦片止痛剂)。当他终于在傍晚时分进入医院病房时,都几乎说不出几句话了。 不久之后,他就陷入了深度昏迷。 与此同时,他的化验结果出来了: 肝功能检查明显异常,血氨水平极高,超声检查显示肝硬化。我们很快就意识到,相对于晚期肝癌来说,食道静脉曲张是完全次要的一个症状。

一个健康了90年的男人突然陷入昏迷,并且伴随有肝脏腐烂的情况 —— 他恢复健康的可能性为零,主治医生和住院医生建议我们将他归类为“不进行复苏治疗”的病人。他没有接受静脉或营养液的输入,只接受了乳果糖的灌肠,以降低由于肝衰竭而造成的血氨水平过高。

在接下来的几天里,在临终关怀的帮助下我们计划将他带回家,这样他就可以在家里离开这个世界。 到了星期天,就在我们准备带岳父回家的前一个晚上,我的妻子和女儿都去看望了他。 她们都接受过“治愈性触摸”(Healing Touch,一种舒缓的能量治疗法)的培训,为了表达她们深深的爱意,她们花了几个小时和他交谈,并在他昏迷时继续这种“精神治疗法”。

星期一早上,我妻子在医院病房外会见了临终关怀护士。 苏珊告诉护士,在他们讨论细节之前,她想去看看她的父亲。 苏珊抱着他,“爸爸,你能听到我说话对吗,我们今天就带你回家。”约翰的胸膛起伏不定,他睁开眼睛看着她,叫道:“哦哦哦..”苏珊问他是否知道她是谁,他说:“苏。”

人工智能的“死亡算法”:机器帮助人类理解死亡

如果拉撒路(Lazarus story)的故事真实存在,那么我岳父濒临死亡的故事就如出一辙(拉撒路是《圣经·约翰福音》中记载的人物,他病危时没等到耶稣的救治就死了,但耶稣一口断定他将复活,四天后拉撒路果然从山洞里走出来)。

所有的一切都被颠倒了过来 —— 让他静静死去的计划被放弃了。 当临终关怀的运输人员到达医院时,他们被告知转移计划已被取消。 约翰第一次被插入做了静脉注射。而他东海岸的其他家庭成员也被告知他“起死回生”了,这一令人震惊的转变促使他们尽快前来探望他。第二天,我的妻子甚至接到了她父亲打来的电话,让她给他带点吃的。

对我来说,那段时间最难忘的记忆就是带着坐着轮椅的约翰去医院外面转转。那时的他已经在医院呆了10天,身上已经接了多个输液管,长期在体内也有置留的导尿管,他的脸色像床单一样苍白。 在一个美丽的秋日午后,我不顾护士的反对,帮助他穿戴整齐并带着他来到医院门前。 我们走过人行道,爬上医院前面的一座小山,风吹来了附近桉树的芳香。 我们一边聊天,一边都哭了起来。 我认为对他来说,能活着见到家人就是一种快乐。 在我父亲去世后的20年里,约翰一直如同我养父一般。在相识的近40年里,我们的关系非常亲密。 我从来没有想过他会生病,因为他一直都硬如磐石。现在他又活过来了,精神也恢复了,我不知道这种状况还能持续多久。事实上,约翰得了晚期肝癌这件事根本不符合常理 —— 他的过往饮酒史是适量的,有一个血液测试结果显示他体内有抗体,这也表明他得了原发性胆汁性肝硬化的可能性很小。在一个现年91岁的老人身上发现这一疾病真是无法让人理解,太罕见了。

在医疗领域,不确定的因素随处可见。

最终,他并没有活太久。为了避免反复出血,我们争论到底是否该继续注射,但那需要再做一个内窥镜检查程序,这一系列的检查差点直接让他死了。 一个星期后,在他即将出院的时候他又出血了,这也导致了他最终的去世。

那么,这个故事和人工智能的发展到底有什么关系?总的来说,我岳父的故事围绕着医院和病人之间的互动展开。

最明显的一个问题就是我们如何面对生命的终结。 姑息治疗作为医学的一个领域,已经经历了爆炸性的增长。 它将被彻底重新改造:利用电子健康记录中的数据,新的工具正在开发中,它以前所未有的准确性来预测死亡的时间,与此同时向医生提供一份报告,详细说明预测时所参考的因素。 如果进一步验证的话,这种和深度学习相关的技能将影响超过1700家美国的医院的姑息治疗团队,这个数字约占总数的60% 。

在美国,只有6600名经过委员会认证的姑息治疗医生,或者说每1200个接受治疗的人中只有一名医生可以提供服务。通常在需要提供姑息治疗的情况,也往往需要提高治疗效率的同时不影响治疗本身。在住院时要求提供姑息治疗的病人中,只有不到一半的人真正被满足了需求。 与此同时,在得到临终护理的美国人中,80% 的人宁愿死在家里,但只有一小部分人真正得以如愿ーー 60% 的人实际上死在了医院。

第一个问题:如何预测一个人可能的死亡时间ーー对于那些想在家里死去的人来说,正确预测死亡时间至关重要。

众所周知,医生很难预测死亡时间。多年来,医生和护士一直在使用一种名为"惊奇问题"(Surprise Question)的筛查工具,来识别那些临近生命尽头的人。在使用这种工具时,他们会反问自己:“如果这个病人在未来12个月内死亡,我会感到惊讶吗?”系统综述的26篇论文中有25,000人参与了预测,其结果显示总体准确率低于75% ,并且显示有明显的不统一性。

阿南德 · 阿瓦蒂(Anand Avati)是斯坦福大学的计算机科学家,他和他的团队发表了一个基于电子健康记录的深度学习算法,主要用其来预测死亡的时间。从论文的标题“深度学习改善姑息治疗”可能看不出这一点,但是毫无疑问,这是一个用于死亡场景的算法。当萨拉•佩林(Sarah Palin)2009年在一场有关联邦医疗立法的辩论中首次使用”死亡小组"这个词时,人们对此感到很焦虑,但那个小组是涉及到医生这个群体的,如今我们谈论的是机器。

一个18层的DNN(Deep Neural Networks,深度神经网络)能够从近160,000名患者的电子健康记录中学习,以及在40,000份患者记录中预测死亡时间,同时保有显著的准确性。 该算法可提取医生不会选取的预测信息,包括扫描的次数,尤其是关于脊柱或泌尿系统的扫描次数。值得注意的是,该算法使用的基本事实是“硬数据”ーー它评估了20万患者的实际死亡时间。这是通过电子记录中的结构化数据完成的,比如年龄,患者做了哪些程序和扫描,以及住院时间的长短。 该算法还没有使用实验室化验结果、病理报告或扫描结果,更不用说个别患者更全面的描述,包括心理状态、生存意愿、步态、握力或许多其他与寿命相关的参数。 想象一下,如果他们这样做的话,准确性将会有多大的提升。

结果表明,从概率上来说,这些扫描次数的特征在统计学上与患者年龄的“影响因子”一样重要。预测的结果是非常惊人的: 超过90%的人预计在接下来的3到12个月内死亡,就像预测那些活过12个月的人一样准确。

人工智能的死亡算法预示着姑息治疗领域的重大变化,有些公司追求预测“死亡率”,比如 CareSkore,该公司成立于2014年,由Y Combinator 孵化,专注于利用机器学习进行医疗预防护理。关于预测是否有人会死在医院,这也只是神经网络一个维度的可预测数据罢了 —— 从医疗系统的电子记录便可获取。

谷歌的一个团队与三个学术医学中心合作,使用了超过216,000个住院病人的近470亿个数据点的输入,并以此做了大量的 DNN 预测: 该病人是否会死亡,住院时间长度,意外的重新入院记录,以及最终出院的诊断等。所有预测的准确度范围都很不错,并且与被研究的医院之间的数据几乎一致。 德国的一个研究小组利用深度学习对44,000多名患者进行了研究,以非常准确的方式预测了患者死在医院概率、肾衰竭和手术后出血并发症等。

DeepMind AI正在与美国退伍军人事务部合作,预测70多万退伍军人的医疗情况。人工智能同时还被用来预测病人在心脏移植后是否能够存活,并通过结合电子健康记录和序列数据来促进基因诊断。 当然了,数学建模和逻辑回归模型的分析已经在过去被应用于这些数据,但是机器和深度学习的使用,以及更大的数据集更是大幅提升了准确性。

这个算法的影响是广泛的。正如著名的医学作家辛达塔·穆克吉(Siddhartha Mukherjee )所言,“我无法摆脱一种固有的不适感,即一种算法可能比大多数人类更好的理解死亡模式。”显然,算法可以帮助病人和他们的医生在姑息治疗和以康复为目标的治疗过程中做出决定。 它们可以影响卫生系统的资源利用,如重症监护病房,复苏,或呼吸机。 同样地,对于医疗保险公司来说,如何使用这些预测数据进行赔偿也是一个迫在眉睫的问题。

回到我岳父的案例 —— 他严重的肝脏疾病之前被完全忽视了。在他第一次住院期间进行的实验室测试显示,他的钾含量极低,这是完全可以被实验室检测到的数据,基于此,人工智能算法甚至可能识别得肝癌的潜在原因,(由于没有使用这类工具)他的潜在死因至今仍然未知。我岳父生命尽头的故事同样也带来了许多算法永远无法捕捉到的元素,比如根据他的化验结果,肝衰竭的情况,结合年龄和反应迟钝等情况,他的医生说他永远不会再醒来,并可能在几天内死亡,但实际情况并不是这样。

有一个预测情况是正确的,在我岳父的住院期间,他不会活下来。

但这并不能告诉我们在我岳父或任何其他病人还活着的时候,我们到底应该做些什么。当我们思考人类生死攸关的问题时,是很难联想到机器和算法的 —— 事实上,这是远远不够的。尽管医生做出了“他很快会死去”的预测,他还是活过来了,并且能够和他的大家庭一起庆祝他的生日,分享回忆、欢笑和亲密。我并不知道人们的精神疗法(治愈性的触摸)是否是他恢复状态的一个因素,但我的妻子和女儿肯定对该疗法有着自己的看法。

话说回来,如果在那个时候放弃任何维系他生命的努力,也就会抢走他告别,并表达他对家人的爱意的机会。我们至今还没有算法来判断,这到底是否有意义。

改编自节选:Eric Topol的书籍《Deep Medicine: How Artificial Intelligence Can Make Healthcare Human Again》https://www.wired.com/story/book-excerpt-machine-learning-medicine-predictions/

编译组出品。

+1

好文章,需要你的鼓励

参与评论
登录后才能参与讨论哦...
后参与讨论
提交评论0/1000

请回复有价值的信息,无意义的评论将很快被删除,账号将被禁止发言。

下一篇

草根创业英雄的时代结束了,一个新的精英创业时代己经到来。

2019-03-19

36氪APP让一部分人先看到未来
36氪
鲸准
氪空间

为你推送和解读最前沿、最有料的科技创投资讯

一级市场金融信息和系统服务提供商

聚集全球最优秀的创业者,项目融资率接近97%,领跑行业