综述：人工智能在老年医学与重症关怀中的应用

《Current Geriatrics Reports》：AI in Geriatric Medicine and Serious Illness Care

本综述系统探讨了人工智能（AI），特别是大语言模型（LLM）和机器学习（ML），在应对老年医学与安宁疗护领域挑战（如预后判断、诊断不确定性、复杂病情管理）中的前沿进展与应用潜力。文章指出，AI技术通过处理海量结构化与非结构化数据，有望在痴呆症诊断、营养评估、预后预测、照护者支持及临床沟通改善等方面提升老年重症患者的照护质量与效率，但其临床应用仍需关注准确性、安全性与伦理问题。

　　

引言

老年患者，特别是那些患有严重疾病或临近生命终点的患者，其照护工作充满挑战。这些挑战包括预后判断、诊断不确定性的沟通，以及在处理由慢性疾病或衰弱状态影响的急性病症时的医疗复杂性。为这些患者提供个体化护理既耗时又耗费资源。本篇综述探讨了临床人工智能（AI）领域中有前景的进展和潜在用途，这些技术或能帮助临床医生更好地照护此类患者群体。尽管AI工具并非解决这些问题的“万能钥匙”，但许多工具具有显著影响照护质量和效率的潜力。本文首先简要讨论AI近年来的创新如何代表了其能力和应用的戏剧性转变，继而探讨这些工具在临床老年医学和安宁疗护实践中的当前及未来应用，并通过具体实例说明AI如何助力痴呆症诊断、营养状况评估、重症预后预测、家庭照护者与患者支持，以及改善临床医生与重症患者的沟通。

AI在医学领域不断变化的格局

过去几年，人工智能（AI）在老年医学和安宁疗护领域的潜在整合与能力范围已大大拓宽，尤其是随着机器学习（ML）和大语言模型（LLM）的出现。早期的AI应用依赖于基于规则的对客观数据的狭隘解读，这种方法不适合老年照护，因为临床决策常常取决于症状、功能状态、护理偏好和社会决定因素之间复杂的相互作用，这些因素难以被整齐地标准化。

LLM在临床领域的出现代表了医学AI能力的潜在转变，它提供了能够更好地捕捉和处理构成老年照护特征的、细微且具有上下文背景信息的工具。这种演变对于老年医学尤为重要，因为老龄化的异质性需要能够考虑身体和认知衰退的不同轨迹、多种相互作用的慢性疾病以及多样化护理偏好的复杂方法。与传统的基于规则的系统不同，LLM可以处理和分析临床记录中丰富的叙述性数据，捕捉功能衰退的细微指标、社会支持的变化以及其他可能被传统分析方法遗漏的关键因素。

这种能力代表了临床AI应用的根本性转变，并以几种方式为影响老年照护开辟了可能性。首先，LLM能够比传统AI系统更有效地解读和分析非结构化的临床叙述，使其应用超越结构化的客观测量。其次，这些模型展现出理解临床背景的能力，这对临床决策更有帮助。例如，LLM不仅可以标记医疗记录中描述的症状存在与否，还可以在其患者功能状态、社会支持系统和护理目标的大背景下潜在解读其意义。第三，LLM在支持更自然的临床互动方面显示出潜力，例如通过与患者或照护者的对话界面，或通过生成患者易读的文档版本。

LLM增强的能力为以患者为中心的研究创造了新机遇，这些研究可以推进老年照护，并为患者提供更个性化的治疗。数项研究证明了通过自然语言记录更好地捕捉临床背景，并利用这些信息帮助改善老年医学照护的能力。

痴呆症的临床分析与评估

基于LLM的AI系统如今具备更强灵活性和深度的一个领域是能够对患者记录进行纵向、大规模分析，从而为临床决策提供参考。LLM自然语言解读能力的增强允许通过解读患者记录来大规模考量老年医学因素。这使得能够研究影响老年照护的、更细微和复杂的患者照护组成部分。最近的研究展示了利用这些技术更深入理解老年照护关键方面的潜力。例如，Zhu等人探索了利用LLM分析患者对图片描述任务（Picture Description Tasks）回答的转录文本，以评估痴呆症诊断。他们的发现表明，LLM能够识别患者描述场景方式的细微差异，并根据其回答评估诸如对细节的关注度、语言使用和表达清晰度等因素。例如，在分析患者描述一个发生在厨房的场景时，模型会跟踪所包含的细节水平，例如注意到说话者描述了“水从水槽流出”和“系着围裙的妈妈”。虽然能够接收医疗记录并将其分类到预定义类别的AI系统并不新奇，但从这些数据中得出更深层、更具体解读的能力，则是LLM使之成为可能的一项新能力。通过利用LLM解读大量数据的能力，该系统可以执行自动化评估，可能比标准神经心理学测试更早、更详细地发现关于痴呆症诊断和进展的信息。

照护交付的操作性改进（营养状况评估）

通常，执行深入分析以改善患者照护需要临床医生投入大量时间和精力。营养评估就是这样一项资源密集型任务，旨在确保养老院等设施中老年患者的营养需求得到满足。通常，追踪营养状况需要仔细人工分析特定时间段内的文档，包括体重、实验室检测和进食模式等多种输入。因此，能够增强这一过程并减少时间负担，可以影响临床医生对其患者的了解水平。Alkhalaf等人展示了一种对LLM进行编程的方法，使其能从护理记录中提取全面、相关的摘要，帮助照护者更快地进行营养评估。例如，他们利用一个经过领域训练的LLM，并进一步在已知营养不良分类数据集上对其进行微调。与其制定规则或进行词语匹配来检测医疗记录中的营养不良，不如利用这些模型中隐含的医学术语、药物和程序知识。训练这样一个模型来分类是否存在营养不良，将使其能够利用更深层的知识做出决策。此外，作者提出了一个框架，该框架可推广到养老院营养评估之外的其他医疗领域和场景。这个框架概述了一种方法论，让AI系统优化一个仍然依赖人类输入的过程，而不是完全取代临床医生在分析临床因素存在与否方面的角色。因此，基于LLM的系统有望减少在老年人群医疗监测上花费的人工时间和精力，使这些数据更容易识别和采取行动，从而实现更好的患者照护。

预测模型与照护计划（预后预测）

甚至在LLM发展之前，深度学习方法在识别可能受益于安宁疗护服务的患者方面也已显示出潜力。Avati等人开发了一个基于医疗记录训练的深度神经网络模型来预测患者死亡率，并将此值作为评估安宁疗护需求价值的代理指标。虽然这种方法代表了一种前LLM的方法，包括执行手动特征提取，这消除了医疗记录中的大量细微差别和背景信息，但它展示了AI系统如何应用于纵向患者数据以帮助告知照护决策。

Bressler等人将更现代的技术应用于识别哪些患者可能受益于安宁疗护服务的问题。结合使用纵向结构化数据（如诊断、实验室结果、生命体征）和非结构化资源（如临床记录），他们的模型预测了临床因素，如死亡风险评分、基于其临床特征的安宁疗护资格以及患者风险分层。在一个纵向数据量不断增长、整体健康状况变化微妙且难以识别的群体环境中，拥有进行定期监测的能力可能允许更早地识别安宁疗护需求，从而实现及时干预和更个性化的照护计划。

预测模型和照护计划的进展凸显了AI系统在支持安宁疗护中及时和个性化干预方面日益增长的能力。通过利用数十年间的结构化和非结构化数据，这些方法能够更细致地理解患者轨迹和照护需求，解决了传统AI方法的局限性。随着纵向患者数据的持续增长，此类工具可以更早地识别出可能受益于安宁疗护的患者。这些发展强调了AI影响我们如何处理重症患者照护计划的巨大潜力。

照护者与家庭照护支持

除了持续研究和探索AI在临床实践中的能力外，积极开发能够立即应用于家庭照护和医疗场景的工具也在进行中。例如，约翰霍普金斯老龄化研究人工智能与技术合作实验室（Johns Hopkins Artificial Intelligence and Technology Collaboratory for Aging Research）已建立了强大的资金和研究基础设施，以支持开发针对老年人需求的AI驱动解决方案。

该合作实验室资助的一个显著例子是CareYaya公司的YayaGuide平台，该平台旨在为痴呆症患者的照护者提供个性化、互动式的培训。通过利用前文强调的先进AI模型的对话能力、细致入微的理解能力和个性化能力，CareYaya创建了一个创新系统。该平台建立在由其数以万计担任兼职照护者的大学生组成的现有网络之上，为他们提供必要的技能和知识，以便为患者及其家庭提供有效且富有同理心的支持。

另一家公司Sensi.ai提供了一个AI驱动的平台，以支持社区居住的老年人，该平台利用了AI模型处理大量纵向数据的能力，类似于前面强调的实例。具体来说，它提供了一种产品，可以持续监测生命体征、睡眠模式、实时视频源等数值，并向家庭医疗保健机构等照护团队提供警报和数据。该产品可以分担持续监测的任务，并通过警报照护者有关状态变化的信息来提供帮助，从而使团队能够引导资源以防止住院或用药错误等并发症。

一家始于英国的公司MiiCare正在使用一个名为Monica的AI对话助手，该助手仅通过语音与用户互动，并支持老年人在做出小的生活方式改变方面。利用与Monica的互动数据以及其他家庭监测数据，该设备为临床医生提供了检查老年人状况的能力，识别那些功能发生变化的人以及那些可能有跌倒或住院风险的人。MiiCare还为睡眠状况、焦虑和抑郁提供辅助，并给予关于水分和营养的语音提醒，以帮助老年人更好地管理他们的慢性病。

这些少数例子强调了AI在应对老年医学和安宁疗护中特定挑战方面的潜力，将技术进步转化为对患者和照护者的切实益处。随着这些工具证明其有效性，它们为更广泛的采用和进一步的完善铺平了道路，为将AI整合到不断发展的老年医疗保健格局中树立了先例。

沟通的改善

老年医学背景下的临床沟通对临床医生、患者和照护者都提出了独特的挑战。这些挑战包括传达关于照护目标或个体化治疗方案的复杂决策，同时考虑患者的偏好和健康状况。基于AI的工具正在涌现，以增强临床医生在患者沟通方面的培训。

沟通分析与改进

除了评估临床指标外，LLM理解细微差别的能力在分析临床医患沟通方面也很有价值——这是传统AI系统难以捕捉人类互动全部复杂性的领域。PALLM研究（使用大语言模型评估和增强安宁疗护对话）展示了基于LLM的分析如何超越确定某些沟通行为的存在与否，还能判断医学术语是否得到充分解释，以及患者的问题是否得到充分解答。分析临床沟通质量的能力，而非简单的分类或标记特定术语或短语，代表了改善老年照护质量研究和实践的关键进展。通过实现对临床医患互动更复杂的分析，LLM可以帮助识别与更好结果相关的沟通模式，潜在地为老年照护沟通和临床医生培训的最佳实践提供信息。

临床医生进行重症疾病对话的培训及利用AI增强临床医生对话

尽管进行重症疾病对话是医学教育的一个组成部分，但临床医生常常对发起和进行这些对话感到忧虑。确定发起此类对话的最佳时机并充分传达必要信息，在患者身体或认知功能不断演变、患者或照护者健康素养差异或照护目标冲突的情况下可能变得更加复杂。并非所有临床医生都能随时获得安宁疗护咨询医生来讨论处理此类情况的最佳方法。Burry等人探讨了LLM在作为模拟器方面的作用，帮助临床医生磨练所使用的语言，范围从支持性短语、回应情感线索到以易于理解的方式传达医学术语。尽管LLM可能能够提供一些建议使用的短语，但作者也指出了LLM实际向患者传递这些回应的局限性，例如一个聊天机器人对患者说“你并不孤单”，这来自机器会显得非常不真诚，并且LLM目前无法有效传递非语言信息。确实，利用AI代理完全取代医生的沟通存在许多风险，并可能导致整体患者照护质量下降。然而，Schenker等人探讨了它们作为临床沟通多管齐下方法中一个组成部分的可行性。他们指出了在获得安宁疗护医生进行复杂讨论方面存在的不平等、临床医生难以及时满足患者情感和精神需求的 logistical 困难，以及这些对话背后患者经历的多样性。在使AI对话代理/聊天机器人与核心安宁疗护医学临床决策保持一致、确保传达信息可靠可信、以及代理能够适当处理患者痛苦并提醒医疗团队成员方面，还需要大量的研究和开发。

提高书面患者沟通的清晰度

临床医生与患者的书面沟通也可以通过使用LLM得到改善。随着医疗记录现在易于被患者获取，患者常常在临床医生有机会向患者解释结果之前就阅读医疗记录和报告，例如放射学或病理学报告。这些医疗记录的语言和结构对患者来说可能难以理解，因为它们通常是以临床医生为主要受众而撰写的。Zaretsky等人展示了LLM将临床记录转换为患者易于理解的格式的能力。具体而言，他们证明了记录的可读性有显著改善，可读性年级水平从AI转换版本的第11年级水平下降到大约第6年级水平。本研究中的患者友好型摘要在患者教育材料评估工具（Patient Education Materials Assessment Tool）可理解性量表上的得分也显著更高，达到81%，而原始文档仅为13%。然而，该研究确定了重要的安全性考虑：虽然54%的AI生成摘要获得了最高可能的准确性评级，但18%的医生审查指出了安全问题，主要涉及遗漏和不准确的陈述（称为“幻觉”）。作者得出结论，虽然LLM在使医疗文档更易于患者获取方面显示出潜力，但实施需要仔细关注准确性、完整性和安全性，初始部署可能需要医生对AI生成内容进行审查。随着LLM变得更强大，并在医疗信息（包括如何更好地优先使用患者特定数据来响应查询）方面得到更好训练，这一点将会改善。

结论

老年医学和安宁疗护医学为AI在临床实践中的应用提供了一个特别理想的用例：它经常涉及管理数十年积累的大量医疗数据；它需要综合各种数据类型（从客观的实验室数值到主观的临床记录）；并且它要求沟通能够适应不同的认知功能和健康素养水平。老年患者的医疗处理需要细致入微和个体化的方法，而不是算法和指南。AI工具，特别是大语言模型，定位于通过综合结构化和非结构化的临床数据、生成患者特定的见解并以补充临床医生专业知识的方式增强决策，来帮助临床医生应对这种复杂性。此外，这些技术具有增强沟通和促进困难、复杂对话的潜力。虽然在确保准确和公平的实施方面仍然存在挑战，但将AI与整体、以患者为中心的老年照护原则相结合的机会，可能标志着在满足老龄化人口需求方面迈出了变革性的一步。那些照护患有重症的老年患者的医务工作者应抓住这个机会，来塑造这些技术如何被最佳利用。