Evaluating Patient Representation Strategies for Early Prediction of Alzheimer’s Disease and Related Dementias from Longitudinal EHRs

阿尔茨海默病及相关的痴呆症并非毫无预警地突然降临；它们是缓慢、潜行的过程，在一个人忘记名字或在熟悉的地方迷失方向之前的数年，就已经开始改变大脑。由于这些变化发生得非常早，医生和研究人员长期以来一直希望找到一种方法，能在症状出现之前发现风险，从而实现早期护理和更好的规划。挑战在于，人类的大脑非常复杂，而问题的迹象往往是细微且散落在患者的病史中的。为了解决这个问题，科学家们转向了电子健康档案——即记录了患者过往每一次就诊、处方和实验室检查的海量数字档案。这些记录包含了终生的线索，但它们是混乱、不规则且难以阅读的。研究人员的核心问题在于，如何将这种混乱的数据流转化为清晰的图像，以识别谁处于风险之中，以及这种方法的优劣是否取决于我们试图预测多远的未来。

一个研究小组致力于测试不同的方法，即如何教计算机阅读这些医疗记录，以预测痴呆症的发作。他们比较了两种截然不同的、用于在计算机中呈现患者生命历程的方法。第一种方法简单且透明：它只是统计患者就诊了多少次、服用过多少种不同的药物，以及特定诊断出现的频率，并将这些计数整理成时间窗口。第二种方法则要复杂得多，使用了经过数百万份医疗记录预训练的高级人工智能模型，来为患者的整个健康历程创建一个隐藏的数学“摘要”。研究人员想要观察哪种方法效果更好，其表现如何随着预测时间的提前而变化，以及如果将这些方法应用于不同医院系统的完全不同的患者群体时，是否依然有效。

利用一个庞大的国家级健康记录数据库，该团队训练了他们的模型，以在患者实际被诊断出痴呆症前的六个月、十二个月、二十四个月和三十六个月进行预测。他们发现，基于计数的简单方法通常是最可靠的。这种方法在区分患者是否会发展出疾病以及预测概率的准确性方面表现更好。这种优势在观察近期未来时最为显著：对于在诊断前六个月进行的预测，简单的计数法明显优于复杂的人工智能模型。然而，当研究人员向更早的时间回溯，试图在整整三年之前预测疾病时，这两种方法之间的差距缩小了。在三十六个月的节点上，复杂的模型赶上了，其表现几乎与简单的计数法相当，尽管仍未超越后者。

研究还揭示了计算机模型在向更早的时间回溯时是如何“思考”的。在进行短期预测时，模型高度依赖特定的认知症状，例如记忆力减退或轻度认知障碍的诊断。但随着预测窗口向过去延伸，这些特定的症状在记录中往往尚未出现。在这种情况下，模型会将注意力转向更广泛的医疗使用模式。它们开始权衡诸如患者就诊医院的频率、被开具了多少种药物以及医疗互动的总体量等因素。似乎在脑部出现明显的痴呆症迹象之前，身体寻求医疗护理的整体模式就已经发生了变化，而模型也学会了利用这些普遍信号作为早期预警。

研究人员还测试了是否可以将这些模型在不进行重新训练的情况下转移到另一个医院系统，即所谓的“零样本迁移”（zero-shot transfer）场景。他们将基于国家数据库训练的模型应用于来自一家大学医院的独立数据集。结果非常悬殊：两种方法的表现都显著下降。模型难以适应不同的患者群体（该群体的年龄更大，且种族构成不同），也难以适应医生记录信息方式的不同。虽然在这一困难的迁移场景中，复杂的人工智能模型比简单的计数法表现稍好，但没有任何一种方法能够证明其足够稳健，可以在不经过调整的情况下在不同医疗系统中完美运行。这表明，尽管这项技术功能强大，但它还不是一种可以无需仔细本地化调整即可应用于任何地方的通用工具。

最终，这项工作表明，在预测痴呆症方面，并没有一种单一的“最佳”方法来呈现患者的病史。选择取决于预测的时机和具体的应用场景。对于探测近期的疾病，简单、可解释的医疗事件计数仍然是金标准。对于更长远的预测，复杂的人工智能模型则变得更具竞争力，提供了不同的准确性平衡。研究结果表明，早期检测的路径不在于寻找一种完美的算法，而在于理解不同的工具如何捕捉不同时间点的不同信号，并意识到随着疾病从遥远的风险转变为迫在眉睫的现实，这些信号本身也在发生变化。