Komorowski M. Clinical management of sepsis can be improved by artificial intelligence: yes. Intensive Care Med. 2020;46(2):375-377.

脓毒症的处理复杂，具有挑战性，仍是高度熟练并受过训练的人类专家的领域。随着人工智能（artificial intelligence，AI）大量涌入，很明显一些这样的决定可以留给智能机器干，改变临床习惯，改善患者预后（Topol EJ (2019) High-performance medicine: the convergence of human and artificial intelligence. Nat Med 25:44.）。

确实，脓毒症临床处理的大部分任务，包括早期识别，抗菌药物的选择，血流动力学的优化等，能够个体化实施，或通过流程来优化。大部分我们所说的AI是机器学习，一组计算机工具试图从资料中产生新的知识。机器学习包括3类：监督学习（根据数据构建预测模型），无监督学习（发现资料中的模式和共同特征）和强化学习（一系列决策过程模型化和优化）。

AI在脓毒症的应用

首先，通过自动程序发现具有脓毒症风险的患者是可能的，无论实时还是预先。这可以通过监督学习流程获得。如基于梯度增强树模型，可以在脓毒症或脓毒症休克发生几小时前很准确地进行预测（Mao Q, Jay M, Hoffman JL et al (2018) Multicentre validation of a sepsis prediction algorithm using only vital sign data in the emergency department, general ward and ICU. BMJ Open 8:e017833）。即使简单的流程也能提示高风险患者，如通过监测终末器官损伤、SIRS、qSOFA或SOFA评分等（Donnelly JP, Safford MM, Shapiro NI et al (2017) Application of the Third International Consensus Definitions for Sepsis (Sepsis-3) Classification: a retrospective population-based cohort study. Lancet Infect Dis 17:661–670.）。Shimabukuro等的小样本RCT提示，临床医师实施和接受，比复杂的流程更重要（Shimabukuro DW, Barton CW, Feldman MD et al (2017) Effect of a machine learning-based severe sepsis prediction algorithm on patient survival and hospital length of stay: a randomised clinical trial. BMJ Open Respir Res 4:e000234）。

其次，无监督学习可以发现脓毒症这一通用综合征的亚组。多个团队提议，应用聚类分析，根据脓毒症的临床、生物学或组学资料进行分组。但大部分研究仍是探索性的。Antcliffe等应用转录的资料发现，脓毒症亚组患者在给与激素治疗后预后更差，结果将来可能用于临床（Antcliffe DB, Burnham KL, Al-Beidh F et al (2018) Transcriptomic signatures in sepsis and a differential response to steroids: from the VANISH randomized trial. Am J Respir Crit Care Med）。脓毒症血流动力学管理的基石，目前仍是通过静脉补液和（或）血管收缩药优化循环血容量。纠正的时机和药物剂量具有挑战性。而强化学习可能有助于解决这个困难。在强化学习模型中，首先将脓毒症患者的疾病建模，分为多个阶段，然后分析临床医师的决策，并将其价值定量化。

最后，发现能够改善器官功能和（或）生存率的更可能的决策（Komorowski M, Celi LA, Badawi O et al (2018) The artificial intelligence clinician learns optimal treatment strategies for sepsis in intensive care. Nat Med 24:1716）。

另一个方法是应用复杂的原因推测方法，通过对血管收缩药不同使用时间后的相对死亡风险，发现启动血管收缩药的最佳时机（Waschka A, Komorowski M, Hubbard A, Pirracchio R (2019) Optimal timing to vasopressor initiation in septic shock: revisiting SEPSIS-3 guidelines using machine learning. Intensive Care Med Exp 7(Suppl 3):001685）。以回顾性方式评价新的决策的机制具有挑战。当流程和临床医师不一致时，很难准确推测患者会发生什么。回顾性验证依赖专家对模型的判定，敏感性分析验证期活力，还有一种统计方法是推测流程决策价值的“离策略评价（off-policy evaluation）”，但以上均有其局限性。

下一步？临床实施

上面提到的改善脓毒症患者预后的例子有潜力，但是缺乏前瞻性验证。前面的路还很长。

首先，流程需要外部验证，以适合不同的数据库。其次，前瞻性验证需要以无声模式进行，不提示对患者的监护措施，医师可以免责。下一步，进行比较临床医师和流程辅助的临床医师的RCT研究，除了临床益处，发明者还要显示工具的可描述性，推算的可信区间，而且可以发现所需行为的偏离。迅速发现的医学AI领域和传统药物开发通路是相平行的（图1）。

新药进入市场的过程漫长而艰难。同样，很多发表的流程不能影响临床。最后，很少的流程能批准进入临床。一旦实施，这些系统会成为临床医师实时的床旁工具，加速脓毒症的识别或建议静脉补液的剂量范围。因此将来医学AI的前途光明！