编辑推荐：
为解决对重症监护室（ICU）常规收集临床数据用于数据科学研究的争议，研究人员开展了关于不完美的 ICU 常规数据价值的研究。结果表明这些数据虽有缺陷，但能推动 ICU 研究，助力开发适用 AI 模型。该研究为数据驱动的重症护理提供了新方向。
在数据科学蓬勃发展的当下，人工智能（AI）为重症监护室（ICU）护理带来了新希望，有望彻底改变现状。然而，ICU 常规收集的临床数据却饱受争议。这些数据存在固有缺陷，如偏差和错误，不同机构在数据收集、处理和维护上的差异，更是雪上加霜。有人认为这会降低 AI 模型质量与可靠性，还影响模型的通用性，并且基于这些数据开发的模型很少能应用到临床实践中。但如果仅依赖精心整理的 “完美” 数据训练模型，当面对 ICU 真实环境的复杂多变时，模型可能不堪一击。所以，深入探究这些不完美数据的价值，挖掘其潜在意义，成为推动 ICU 护理进步的关键所在。
来自奥地利多家机构（包括帕拉塞尔苏斯医科大学麻醉学、围手术期医学和重症监护医学系等）的研究人员，针对不完美的 ICU 常规收集数据是否有价值展开研究。研究发现，常规收集的临床数据虽然存在诸多问题，但它们真实反映了现实医疗环境的复杂性，基于这些数据训练的 AI 模型能更好地应对现实中的复杂情况，更适合临床应用。此外，在合理时间内提升临床数据精度困难重重，拒绝这些数据就等于放弃开发适应现实情况模型的机会。大量研究已利用公开数据集，证明了这些数据的可用性和潜力。该研究为数据驱动的重症护理提供了重要依据，有助于开发适应性强的 AI 模型，推动 ICU 研究发展，改善患者预后。
研究人员在开展研究时，主要利用公开可用的数据集，如 MIMIC、AmsterdamUMCdb、HiRID、eICU 和 SICdb 等。通过对这些数据集中的数据进行分析，探究其在数据科学中的应用潜力，以及对开发 AI 模型的价值。
常规收集数据的挑战与价值
尽管 ICU 常规收集的临床数据存在缺陷，如因主要用于临床记录而非研究导致的偏差和错误，以及机构间差异带来的问题，但这些不完美之处并非一无是处。实际上，这些数据反映了现实世界医疗环境的复杂性，基于此训练的 AI 模型能更好地适应现实情况。若仅用高度整理的数据训练模型，面对 ICU 不可预测的现实环境时，模型可能会变得脆弱且无效。
数据改进的困境与现实意义
在合理时间内，临床护理的数据精度难以显著提升，完善数据的成本、精力投入巨大，还面临后勤保障方面的难题。如果因数据不完美就摒弃它们，将错失开发能适应这些数据的模型的机会。现实世界的数据能确保模型不仅理论上可行，在动态且高风险的 ICU 环境中也具有实际应用价值。
公开数据集的应用与潜力
大量文章已借助 MIMIC、AmsterdamUMCdb 等公开数据集开展研究，这充分展示了这些数据集的可用性和潜力。基于这些数据集的基础研究，为未来将 AI 应用于临床护理奠定了重要基础。虽然现有模型在 ICU 工作流程中的整合仍有限，但这更多是由于数据多样性不足和模型验证不充分，而非常规数据本身存在问题。随着数据量的不断增大和多中心数据的积累，这些常规数据对于开发强大的 ICU AI 至关重要。
研究结论表明，不完美的 ICU 常规收集数据具有重要价值，不应因存在缺陷就被忽视。这些数据为开发适应性强的 AI 模型提供了可能，能推动 ICU 研究持续发展，为数据驱动的重症护理开启新的篇章。在讨论部分，研究人员强调了在利用常规数据时，应采用严谨的方法，进一步提高数据多样性和加强模型验证，以充分发挥这些数据的潜力，为改善患者护理和预后做出更大贡献。这项研究在《Intensive Care Medicine》上发表，为重症监护领域的数据科学研究提供了新的思路和方向，激励更多研究人员深入挖掘常规数据的价值，推动 AI 在 ICU 护理中的广泛应用。
