MultiDiseasePred: An Interpretable Multi-Disease Risk Prediction Framework and Its Application for Early Risk Stratification in the Emergency Department

在医院急诊室这种混乱且高风险的环境中，最初的几分钟往往是最关键的。当一名患者到达时，他们不仅仅是一个单一的问题；他们是多种症状的复杂结合，这些症状可能预示着从心肌梗死到严重感染或肺动脉阻塞等任何情况。传统上，医生依赖于单独的清单和评分系统来逐一评估每种可能性。护士可能会使用一种工具来检查败血症，用另一种工具来检查心脏问题，再用第三种工具来检查呼吸问题。虽然这些工具很有帮助，但它们旨在一次只观察一种疾病。这造成了一个碎片化的图景，迫使临床医生在与时间赛跑的同时，还要在脑中将不同的风险评分拼凑在一起，而且通常在拿到稍后送达的实验室结果或影像扫描结果之前就要进行这种拼凑。挑战在于如何立即看到整个患者，理解在完整的医疗故事明朗化之前，不同的风险是如何重叠并竞争注意力的。

为了解决这个问题，来自明尼苏达大学及其他机构的研究团队开发了一种名为 MultiDiseasePred 的新方法。该系统不再为每种疾病构建单独的模型，而是创建了一个统一的系统，旨在观察患者并同时评估七种不同急性病症以及两种关键结局（例如患者是否需要住院）的风险。该系统专注于那些通常表现出令人困惑且相似早期症状的七种情况：败血症、急性呼吸窘迫综合征、慢性肺部疾病（如哮喘或慢阻肺）的加重、急性冠状动脉综合征（心脏问题）、病毒性肺炎、肺栓塞（肺部血栓）以及急性肾损伤。它还预测住院的可能性以及包含入住重症监护室或死亡在内的综合“关键结局”。其目标不仅是预测这些风险，而且是仅利用患者走进门那一刻所能获得的信息（如生命体征、年龄和主诉）来进行预测，而不必等待血液检查或 X 光检查的结果。

研究人员使用一个庞大的数据集训练了这个系统，该数据集包含了明尼苏达州一个大型医疗系统中 2019 年至 2025 年间近 170 万次急诊就诊记录。随后，他们测试了该系统在来自波士顿和加利福尼亚州两个主要医疗中心的不同患者群体中的表现。这种外部测试至了一种关键作用，以确保系统不仅仅是在记忆本地数据，而是能够真正理解疾病的普遍征兆。该系统学习识别跨越数百万次就诊的模式，发现虽然每种疾病都是独特的，但它们通常共享底层的生理信号。例如，血压下降或呼吸频率的变化可能是多种不同情况同时发出的警告信号。通过分析这些共享信号以及特定的线索，模型学会了如何在单独权衡每种证据的同时，仍然看到它们之间的联系。

这一新框架的一个关键特征是其保持简单且适用于实际应用的能力。研究人员发现，他们不需要长达数十个变量的列表就能做出准确的预测。通过精心的筛选过程，他们将输入变量缩减到了仅有的 12 个变量，这些变量是分诊护士常规记录的，例如心率、血压、氧饱和度、年龄以及特定的既往病史。这种“简约”的输入集意味着该系统可以立即使用，而无需复杂的资料录入或等待化验结果。此外，该模型还包含一个内置的解释系统。当它标记一名患者处于某种特定疾病的高风险时，它不仅仅给出一个数字，还会强调哪些因素促成了这一判断。例如，如果系统预测某位患者患肺栓塞的风险很高，它可能会显示患者既往的肺动脉高压病史是该预测的主要驱动因素，从而让临床医生能够看到发出警报背后的逻辑。

研究结果令人鼓舞。在内部测试中，该系统在区分会发展成这些疾病的患者和不会发展的患者方面达到了很高的准确度，其表现与现有的单疾病机器学习模型相当甚至更好。更重要的是，当在波士顿和加利福尼亚的外部数据上进行测试时，该系统在无需重新训练或针对新地点进行调整的情况下，依然保持了强大的性能。这表明模型学习到的模式是稳健的，并且可以跨越不同的医院环境。对于七种急性病症，该系统以高度的可靠性正确识别了风险；对于两个处置终点，其表现也同样出色。研究人员指出，虽然该系统在对患者进行风险排序方面表现卓越，但在精准预测极罕见事件的能力上略有下降，这是医学预测中的一个常见挑战。然而，该系统成功提供了一个协调的、多病种的风险概况，供临床医生立即解读。

研究还探讨了该系统如何处理急诊护理中的现实情况，即数据往往是不完整或缺失的。研究人员设计了该系统，通过使用基于训练数据的标准预定义值来处理缺失信息，从而确保无论是否记录了特定的生命体征，模型的行为都能保持一致。他们还确保系统不依赖于护士经常分配的“急诊严重度指数”（ESI）评分，以避免出现模型仅仅是重复护士初步评估的循环论证。相反，它从原始临床数据中构建自己的独立评估。研究人员强调，该工具旨在作为决策辅助工具，而非临床判断的替代品。它的设计初衷是帮助临床医生组织思路，并确定优先调查哪些病症，从而有可能缩短进入关键治疗（如针对败血症使用抗生素或针对血栓使用抗凝剂）的时间。

尽管表现强劲，作者仍谨慎地指出，这是一项回顾性研究，这意味着它是观察过去的数据，而不是在实时环境中测试该系统。他们承认，在如此工具被广泛采用之前，必须对其进行前瞻性测试，以观察它实际上如何影响患者预后、工作流效率，以及它是帮助还是阻碍了繁忙急诊科的决策过程。此外，还存在关于特定数据源的局限性；例如，该系统依赖于结构化数据，尚未整合非结构化笔记或影像结果。此外，该研究并未详细分析系统在不同种族或族裔群体中的表现，因为在所研究的医院中，这类数据并不一致。这些都是未来研究的重要领域，以确保该工具对每个人都是安全且有效的。

最终，这项工作代表了急诊风险评估方式的一种转变。通过从一系列孤立的、单疾病工具转向一个统一的、可解释的框架，研究人员证明了在护理开始的最早期阶段，观察患者潜在风险的全谱系是可能的。该系统为多种情况同时提供清晰、校准过的概率，并附带对为何标记这些风险的解释。这种方法尊重了急诊科的复杂性，因为在那里患者往往伴随着重叠的症状和多种潜在诊断。虽然该系统目前还不是一个可以立即部署到每家医院的成品，但它提供了一个引人注目的概念验证，证明一个单一的、智能的框架可以帮助临床医生在急诊接触最初的几分钟内应对不确定性，从而可能节省宝贵的时间并改善危及生命情况患者的护理。