Comparing the Predictive Value of Structured Digital Features and Clinical Text for Inpatient Liver Failure Prediction: A Large-Scale Real-World EHR Study
在一项针对近 90,000 例住院病例的大规模研究中，结构化数字化实验室特征在预测肝衰竭方面显著优于临床自由文本，证明了客观数值数据捕捉该疾病诊断标准的效果远比叙述性临床笔记更为有效。
原始论文采用 CC BY 4.0 许可（https://creativecommons.org/licenses/by/4.0/）。 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。 阅读完整免责声明
在医院护理的高风险世界中，肝脏是一个沉默而不知疲倦的劳动者。它过滤毒素、管理血液凝固并产生必需的蛋白质，但当它衰竭时，后果是迅速且往往是致命的。几十年来，医生一直依赖于血液检查中的特定数值——即衡量肝脏凝血或清除废物的指标——来诊断肝功能衰竭。这些客观阈值是金标准；如果数值跨过了某条界限，诊断便成立了。然而，现代医院在生成这些数字的同时，也会产生大量的非结构化文本。医生会撰写详细的笔记，放射科医生会描述影像，出院小结则讲述了患者住院期间的故事。随着人工智能的进步，一个新问题出现了：这些文字在被强大的计算机程序分析后，是否能像血液检查中的硬性数字一样，甚至比它们更好地预测肝功能衰竭？
这个问题驱动了一项涉及近九万例住院病例的大规模研究。研究人员试图比较两种使用医院数据来预测谁会发生肝功能衰竭的方法。一方面是“结构化数字特征”，即来自血液检查和生命体征的精确、客观的数值。另一方面是“临床文本”，即医生和放射科医生撰写的自由流动的段落。目标是观察患者状况的书面描述是否能像原始数字本身一样有效地捕捉到肝功能衰竭的预警信号。该研究旨在进行一场公平的竞争，使用完全相同的患者群体和完全相同的肝功能衰竭定义来测试每一个计算机模型，从而确保结果反映的是数据的真实价值，而非数据收集方式的差异。
研究人员从一个庞大的公共医院记录数据库中构建了一个统一的患者组。他们使用一条严格的三部分规则来定义肝功能衰竭病例：医疗记录中的特定诊断代码、超过已知危险阈值的血液检查结果，或者患者在医院内死亡。这确保了每个患者的“真相”都是明确的。随后，他们训练了几种不同类型的人工智能模型来预测这一结果。有些模型仅观察数字，获取患者入院后不同时间点的血液检查快照。另一些模型则仅观察文本，阅读放射科报告和出院小结。还有一些模型尝试将两者结合起来。这些计算机程序在另一组从未见过的患者身上进行了测试，以观察它们的表现如何。
结果是决定性的且清晰明了。依赖于血液检查结构化数字的模型，其表现显著优于依赖于阅读文本的模型。表现最好的基于数字的模型（观察了 48 小时内收集的数据）达到了任何基于文本的模型都无法企及的高准确度。即使是那些可以获取完整放射科报告和详细出院小结的文本模型，也遇到了瓶颈。无论研究人员向系统输入多少文本，基于文本的模型性能都会在达到一定水平后停止提升。这似乎意味着，书面文字中所包含的有用信息已经达到了极限，而这些信息本身并不足以达到原始数字的准确度。
研究发现，在基于数字的模型中添加文本几乎没有带来额外的益处。当研究人员将数字模型的预测结果与文本模型的预测结果相结合时，其结果仅比仅使用数字的模型略好一点。这是因为医生的书面描述和血液检查的数字讲述的是同一个故事。文本本质上是人类对数字的转述，但在转述过程中，它引入了微小的误差并失去了精确度。例如，一位医生可能会写患者的胆红素水平“很高”，但观察数字的计算机模型确切地知道它到底有多高。研究表明，对于一种由特定数值阈值定义的疾病，书面语言是一种间接且精确度较低的路径。
其中一个最引人注目的发现是，基于数字的模型能够多么迅速地发现危险。即使在患者到达后的最初六小时内（此时可用的血液检查非常少），基于数字的模型已经比基于文本的模型更准确了。这表明，肝功能衰竭的早期预警信号就嵌入在这些客观测量值中。模型学会了识别数字中的模式，例如肝脏疾病史或特定化学物质水平的上升，这些模式与医生诊断该病症的方式完美契合。而丰富的书面文本虽然细节详尽，却无法提供数字所遗漏的独立信号。
研究人员得出结论，对于预测肝功能衰竭而言，结构化数字特征远优于临床文本。医院住院期间的书面记录虽然对人类理解很有价值，但对于这种特定类型的预测并不能提供隐藏的优势。研究表明，试图通过文本来取代或显著提升基于数字模型的性能，对于解决这类医学问题而言并不是一种有效的策略。最有效的预警系统将继续依赖于血液检查提供的精确、客观的数据，因为这些数据提供了肝脏功能衰竭的直接且明确的视图。
您所在领域的论文太多了？
获取与您研究关键词匹配的最新论文每日摘要——附技术摘要，使用您的语言。