Nonparametric Information Sufficiency: Nonidentifiability, Deformation, and the Limits of Prediction from Observed Biomedical States
本研究表明，在 13 种临床基质观察到的绝大多数患者状态中，现有信息在本质上不足以区分不同的未来健康轨迹，从而证明不可识别性是数据固有的局限性，而非预测模型选择的失败。
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
在现代医学领域，医生和计算机系统通常依赖一个简单的假设：如果两名患者目前看起来一样，那么他们很可能会遵循相同的路径。如果两个人的血压相同、肿瘤大小相同且症状相同，人们就会预期他们的治疗反应相似，或者疾病进展速度一致。这种信念支撑着我们预测健康结果和设计个性化护理方案的很大一部分工作。然而，这一假设建立在这样一个观点之上：即我们在单一时刻所能观察和测量的信息，足以讲述一个人未来的完整故事。它假设当前的快照包含了预测下一步所需的所有必要线索。但如果这张快照是不完整的呢？如果两个站在地图上完全相同位置的人，实际上正走向截然不同的目的地，这并不是因为他们迷失了方向，而是因为地图本身缺失了分隔他们路径的地形？
这是伊利诺伊大学芝加哥分校研究员莫里斯·安东尼·尤因（Maurice Antony Ewing）在一项新研究中探讨的核心问题。这项工作挑战了这样一种观点，即认为更好的计算机模型或更复杂的算法可以解决预测患者预后的问题。相反，该研究表明，问题不在于我们用来分析数据的工具，而在于数据本身。研究人员调查了在医生做出决策的那一刻，现有的信息是否足以区分不同的可能未来。他们发现，对于大量的患者来说，答案是否定的。两个人在医生可以采取的所有测量指标下都显得完全相同，但其中一人可能会康复，而另一人可能会恶化。研究认为，这并非预测技术的失败，而是可用信息的根本局限。
为了理解这一点，请想象两名患有特定疾病的患者。在医生检查他们时，他们的生命体征、实验室结果和影像扫描几乎完全相同。标准的预测模型会观察这些数字，并为他们分配相同的可能结果。但实际上，一名患者可能会快速康复，而另一名则会恶化。研究提出了疑问：为什么会发生这种情况？是因为计算机模型不够聪明，无法发现隐藏的模式吗？还是因为这些模式根本就不存在于医生掌握的数据中？研究人员将这种现象称为“不可识别性”（non-identifiability）。这意味着患者当前的状况并不包含足够的独特信息，来识别属于他们的哪条未来路径。未来不仅是具有不确定性的，而且从目前的观测来看，在本质上是不可识别的。
为了测试这一点，研究人员收集了大量的现实世界医疗数据。他们查看了13个不同的临床数据集，涵盖了包括阿尔茨海默症等神经退行性疾病、重症监护场景、癌症和心脏病在内的广泛病症。总共，他们检查了近70万次随时间记录的个人健康观测值。他们重点研究了五个长期追踪的大型患者组，涉及超过5.6万名个体和超过40万个特定的健康历程时刻。对于患者历史中的每一个时刻，研究人员提出了一个简单的问题：如果我们发现其他患者在这一特定时刻与此人完全一致，他们是否都会走向同样的未来？
结果令人震惊。在研究的五个主要组别中，研究人员发现，在几乎所有案例中，在特定时刻看起来相同的患者，其未来的走向都大相径庭。具体而言，在他们检查的患者状态中，有65%至99%是“不可识别”的。这意味着，对于绝大多数这些时刻，现有信息无法区分未来是好转还是恶化。在某些组别中，如帕金森病或肌萎缩侧索硬化症患者，这一比例高达98.7%。更具说服力的是，研究人员寻找了那些具有相似状态但走向截然不同方向的案例——即一人好转而另一人恶化。他们发现，在这些匹配组中，有59%至82%的情况同时出现了积极和消极的结果。这证明了这种歧义不仅仅在于患者是保持不变还是发生变化，而是在于相似的患者正在积极地向相反的方向移动。
该研究还回应了一个常见的反驳：也许数据就在那里，只是计算机模型不够先进，无法找到它。为了测试这一点，研究人员并没有依赖单一类型的人工智能。相反，他们使用了一个由不同模型组成的“动物园”，从简单的统计工具到复杂的深度学习系统应有尽有。他们在不同类型的数据和不同的疾病场景下测试了这些模型。结果是一致的：无论模型多么先进，它都无法比其他模型更好地预测这些患者的未来走向。当模型失效时，它们全都以同样的方式失效。这表明，限制因素不在于计算机程序的架构，而在于输入其中的信息。模型无法创造出数据中并不存在的差异。如果观测到的状态中不包含区分康复患者与衰退患者的线索，那么任何数学复杂性都无法创造出那个线索。
研究人员还观察了增加历史轨迹是否能解决问题。直觉上，人们可能会认为，了解患者的过去轨迹——即他们是如何到达当前状态的——会有助于预测他们接下来的去向。研究发现，虽然历史有时会有帮助，但往往并不能解决问题。在许多情况下，即使是患者病情的完整历史，也可能对应着多种相互矛盾的未来。两名患者可能经历了完全不同的路径才到达同一点，但随后他们的路径却发生了分歧，而他们的历史记录却无法预测这种分歧。这意味着，仅仅收集更多的行数据或回顾更久远的时间，并不一定会自动解决问题。关键不在于观测的数量，而在于这些观测是否包含了区分不同可能未来的特定信息。
这一发现对于我们如何对待医疗预测具有深远意义。多年来，医学人工智能的重点一直在于构建更好的模型、寻找更多的数据以及改进算法。该研究表明，这种方法正撞上一堵坚硬的“天花板”。如果区分两名患者所需的信息缺失于临床记录中，那么任何模型都无法弥补这一差距。问题不在于我们对数据提出了错误的问题，而在于数据本身不足以回答这个问题。研究人员强调，这并不是说患者在神秘学意义上是天生不可预测的，而是指我们选择测量和记录的特定信息，往往不足以讲述他们的未来故事。
该研究并非主张我们应该停止尝试预测结果，或认为我们无法改善护理。相反，它指出了另一条前进的路径。如果目前的测量指标不够，那么解决方案就在于寻找新型的信息。这可能意味着测量不同的生物标志物、使用不同类型的影像技术，或者关注目前被忽视的因素。这也可能意味着，对于某些患者在某些时刻，现有的信息确实不允许进行精确预测，而最好的做法可能是先收集更具体的数据后再做决定。研究结论指出，在我们投入更多资源构建更智能的模型之前，必须首先询问：我们拥有的信息是否真的足以区分我们试图预测的那些未来。
最终，这项研究为精准医学领域提供了一个冷静但必要的现实检查。它表明，我们所能看到的与实际发生的事情之间的差距，往往比我们想象的要宽得多。两名患者可以并肩而立，在现代医学所能测量的每一个方面都看起来完全一样，但却处于完全不同的轨迹上。我们用于预测他们未来的工具并非坏掉了，它们只是在使用不完整的地图。前进的路径要求我们超越当前的建模技术水平，转而关注一个根本性的问题：究竟需要什么样的信息，才能讲述一个患者与另一个患者不同的故事。在找到那份缺失的信息之前，预测的局限性将依然存在，这并非因为缺乏计算能力，而是因为数据本身缺乏足以进行区分的细节。
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。