云康复预测体系在临床工作中的应用

(https://www.daowen.com)

采用基于机器学习的大数据预测可以实现精准医疗。Google曾构造出一个流感预测指数模型，成功“预测”了流感的就诊人数。Yao J等首次提出一种全尺寸、无标注，基于病理图片的生存有效预测方法（Whole Slide Histopathological Images Survivel Analysis，WSISA），在肺癌和脑癌两类癌症的3个不同数据库的性能均超出基于小块的图像方法，实现了基于大数据分析的精准个性化医疗。人工系统各类算法中目前深度神经网络算法较其他算法更有优势。Heo J等将深度神经网络模型应用于急性缺血性脑卒中患者的预测中，在脑卒中发病后3个月对m RS评分进行统计分析，结果显示，m RS评分的AUC（0.888 vs 0.839，P＜0.001）显著高于传统急性脑卒中登记分析（Acute Stroke Registry and Analysis of Lausanne，ASTRAL）评分。另外，Hilbert A等选取1301位脑卒中患者应用深度学习进行自动图像分析。结果提示，深度学习在预测脑卒中预后方面优于放射图像生物标志物，并且具有改善治疗选择的潜力。Songhee C等采用深度学习系统就脑卒中发生情况进行预测。他们将患者的性别、年龄、保险类型、入院方式、所需的脑外科手术、损伤区域、住院时间、医院位置、医院床位数量、脑卒中类型以及Charlson Comorbidity指数共11项指标作为研究变量对脑卒中进行预测，预测结果与脑卒中实际发生情况进行对比，发现该方法的灵敏度、特异性和AUC分别为64.32%、85.56%和83.48%。该作者提出，该方法不仅可以应用于脑卒中的预测，还可以对其他疾病进行预测。Hope等通过高斯过程回归模型研究了MRI图像中的病灶与治疗结果之间的关系，并用该模型预测脑卒中后认知功能障碍的严重程度和随时间的恢复过程。

脑卒中发生后易对患者造成运动、言语、认知等方面的障碍，对患者生活自理能力造成不同程度的影响，带给个人、家庭及社会一定负担。为更好地了解各方面的因素对功能恢复的影响，并改善治疗干预措施的设计及预后，准确地量化神经系损伤程度至关重要。随着人工智能的成熟，人们开始对脑卒中损伤组织进行预测以了解患者预后情况。Nielsen A等将深度学习应用于脑卒中静脉溶栓治疗后对损伤脑组织进行结局预测和急性脑卒中治疗后评估中。Nyung JH等选取2604例患者进行研究，调查了机器学习在预测缺血性脑卒中患者长期预后方面的适用性，结果显示机器学习特别是深度神经网络，可以改善缺血性脑卒中患者长期预后评估。Wan-Yin L等将人工智能应用于脑卒中后功能障碍的康复方法以预测脑卒中后的日常生活情况，证明了基于人工智能的日常生活活动能力的预测方法不仅可以准确预测日常BI，而且可以预测出院时的BI。目前，人工智能应用于脑卒中风险及预后评估正处于发展阶段，其在合理分配医疗资源方面有很大的应用前景。未来基于大量的电子病历数据、影像组学、功能评估组学等多数据建立的人工智能预测系统能快速、有效、准确地评估出不同的影响因子对患者功能结局的影响，有患者更好地获益。