进步，而不仅仅是预测：2025年重症监护医学对数据科学的展望

《Critical Care Medicine》：Progress, Not Just Predictions: Critical Care Medicine’s Vision for Data Science in 2025

本文探讨重症监护（ICU）数据科学的发展与挑战，强调人工智能、机器学习等技术在临床转化中的关键问题。期刊提出四项战略方向：解决健康AI悖论、加强方法开发与验证、促进科学发现、保持方法论严谨性。同时指出大语言模型的双刃剑效应，呼吁创新与严谨并重。

　　

重症监护数据科学——广义上涵盖了人工智能（AI）、机器学习以及计算机科学、信息学和统计学的要素——正从一个有前景的细分领域发展成为重症监护（ICU）中重要的研究和实践方向。《重症监护医学》（Critical Care Medicine）在这一进程中发挥了引领作用，发表了基础性研究（^{1, 2}）以及具有影响力的指导性意见（^3, 4），涵盖了数据科学的整个生命周期，从模型开发到实际应用和效果评估。

一个典型的例子是Nemati等人在2018年发表在《重症监护医学》上的文章（5），他们介绍了一种可解释的机器学习模型，用于早期败血症的预测。这项工作为后续开发的深度学习预测工具奠定了基础，该工具已在实际临床中得到应用，并显著改善了败血症患者的护理质量和生存率（^6, 7）。

然而，尽管有这些成功的案例，但在更广泛的领域内，这种情况仍然属于例外而非常态。大多数发表在文献中的预测模型从未真正应用于临床（8），而那些实际被使用的模型往往缺乏严格的前瞻性评估。解决这一“健康AI悖论”是当前该领域面临的主要挑战（9）。作为编辑、审稿人甚至作者，我们的首要任务是区分那些有可能改善临床结果的数据科学应用与那些仅仅停留在建模阶段的应用。在这个过程中肯定会犯错，但我们希望通过关注两个基本问题来尽量减少这些错误：这项应用旨在解决什么问题？数据科学是否是解决这个问题的有效方法？

其中一个问题就是预测患者随时间的变化情况，正如上文所举例的。虽然预测未来结果很有趣，但预测患者对特定治疗的反应可能更为实用（10）。在这方面，诸如亚表型分析和个体化治疗效果估计等方法为根据患者的具体特征制定干预措施提供了新的机会（¹¹）。然而，这些方法仍处于转化研究的早期阶段，需要进一步的验证、临床整合和效果验证（¹²）。

本期期刊刊登了一项相关研究：Chen等人应用因果森林模型来评估心脏骤停患者对碳酸氢钠的反应（13）。正如文章及其社论中所详述的，这项创新性工作提出了有趣的新假设，并加深了我们对数据科学在量化观察数据中临床重要指标方面作用的理解。

随着数据量的不断增加（这得益于数据获取的便利性、人们对先进方法的了解加深以及现代计算资源的提升），《重症监护医学》必须战略性地调整其编辑方向，以最大化其在临床和科学方面的影响力。我们欢迎涵盖数据科学整个生命周期的文章，这些文章应能增进我们对疾病机制的理解、扩展我们的科学工具箱，或提出关于重症监护和重症治疗的新假设或新见解。从这些总体目标中可以提炼出几个关键优先事项，这些目标与期刊的严格标准以及重症监护领域不断变化的需求高度契合：

首先，直接应对“健康AI悖论”至关重要。我们积极寻找有助于弥合这一差距的文章，包括那些详细描述实施过程的文章，如战略规划、应用部署、临床整合、严格的结果评估以及对模型成功情况的深入分析。同样值得重视的是高质量的阴性研究，它们能为我们提供关于实施障碍的关键见解，为未来的工作提供借鉴。同时，我们也欢迎对那些已在临床使用但尚未经过严格评估的模型和工具进行评价。

其次，数据科学的应用研究必须伴随着新方法、框架和数据来源的严格开发、验证和验证。我们特别鼓励那些能够扩充重症监护数据科学工具箱的贡献。Chen等人在本期发表的研究就是这种新型方法研究的典范。

第三，数据科学方法应成为基础研究和转化科学发现的工具。我们特别鼓励那些利用AI揭示疾病潜在机制、提出创新性假设或挑战现有临床范式的投稿。那些能够推动生物学理解或重新定义现有概念的严谨应用代表着重要的发展机遇。

最后，虽然这些战略优先事项指导着我们的编辑工作，《重症监护医学》仍然致力于发表严谨、报告透明的研究，这些研究要解决重症监护领域中的新颖且具有临床意义的问题。方法论的卓越性和可重复性是所有投稿的基本要求，这遵循了既定的报告标准（¹⁴）。

我们的个人经验表明，像ChatGPT和Claude这样的大型语言模型与之前的技术有着根本性的不同。这些工具虽然可以提高工作效率，但也可能分散注意力或产生误导。我们希望突出前者的积极作用，同时避免后者的负面影响。

我们热切期待您的创新和有影响力的贡献，共同推动重症监护领域的发展。