人工智能在预立医疗照护计划中的应用：范围综述揭示现状、挑战与未来方向

《BMC Palliative Care》：Artificial intelligence-based approaches for advance care planning: a scoping review

本文推荐Arioz等人在《BMC Palliative Care》发表的范围综述。针对预立医疗照护计划(ACP)实施面临的时间限制、职责不清等障碍，研究人员系统分析了近10年41项研究，探讨人工智能(AI)如何优化ACP流程。结果显示AI模型（尤其是逻辑回归和随机森林）在识别ACP潜在受益者方面表现优异（78%模型性能良好至优秀），但在支持ACP讨论启动、文件记录与共享以及（特别是）审查更新方面存在明显研究空白。该研究强调了提高AI模型数据与代码可用性的迫切性，为开发更透明、可复现且覆盖ACP全流程的AI工具指明了方向。

　　

当生命走向终点，如何确保个人的医疗意愿得到尊重和实施？预立医疗照护计划（Advance Care Planning, ACP）正是为了解决这一核心问题而出现的过程，它通过一系列以人为中心的讨论，让个体在具备决策能力时，提前表达其对于未来医疗护理的偏好、价值观和优先事项，特别是在他们可能失去沟通能力的情况下。ACP的目标是保障患者的意愿被理解并遵从，这对于患有严重或威胁生命疾病的个体尤为重要，不仅能赋予他们表达医疗偏好的权利、指定医疗代理人，还能通过预先指示等文件确保以患者为中心的照护。然而，尽管ACP益处显著，其在临床实践中的广泛实施仍面临巨大挑战。医疗专业人员常受困于沟通技巧不足、缺乏关于何时及如何进行ACP讨论的知识，以及最为普遍的时间限制。

在此背景下，人工智能（Artificial Intelligence, AI）技术，特别是其重要分支机器学习（Machine Learning, ML），展现出优化ACP流程的巨大潜力。AI/ML方法能够通过算法预测死亡风险和疾病进展，从而支持及时识别可能从ACP中受益的个体；通过分析患者数据，个性化ACP过程，使信息和讨论更贴合个体需求和价值观；还能为临床医生提供整合真实世界数据的决策支持工具，以预测结局并促进更明智的生命末期照护规划。然而，尽管数字资源（如网站、门户、应用程序）已被设计用于支持反思、沟通、决策和生命末期照护的记录，但AI方法在ACP中的具体应用仍相对未被充分探索，且缺乏对当前证据基础的全面梳理。

为解决这一知识空白，由Umut Arioz和Matthew John Allsop共同领导的研究团队在《BMC Palliative Care》上发表了题为“Artificial intelligence-based approaches for advance care planning: a scoping review”的范围综述。该研究旨在全面审视数字工具中AI方法支持ACP的现状，特别探讨了AI方法如何作为缓和医疗交付的一部分应用于支持ACP。

为开展研究，研究人员遵循了Arksey和O'Malley框架和PRISMA-ScR指南。他们检索了Scopus和Web of Science（WoS）数据库以及七个预印本服务器，以识别过去10年内以英文、德文或法文发表的研究文章和会议论文。检索策略基于ACP和AI模型（包括机器学习）相关的术语。研究问题基于人口-概念-背景（PCC）框架制定，重点关注患有严重或威胁生命疾病的人群（人口）、ACP过程中AI方法的应用（概念），以及广泛的国际背景（背景）。数据提取涵盖了研究设计与疾病类型、数据与方法论、AI方法的应用与评估（包括使用算法、主要目标、模型性能）、数据可用性以及AI方法在ACP流程中的临床应用。纳入研究的质量使用GRADE（Grading of Recommendations, Assessment, Development, and Evaluations）方法进行评估。

关键技术方法概述

本研究主要是一项范围综述，其核心方法在于系统性地检索、筛选和分析现有文献。研究人员检索了Scopus和Web of Science两大数据库以及七个预印本服务器，时间跨度为10年。使用基于PCC框架制定的检索策略，重点关注ACP和AI/ML相关术语。数据提取由多位作者共同完成，使用标准化表格，内容涵盖研究特征、AI方法、模型性能、数据与代码可用性及其在ACP各阶段（识别、启动讨论、记录与共享、获取使用、审查更新）的应用。模型性能通过AUC-ROC、F1值、准确度等指标评估，并采用一种新颖方法在数据不完整时进行保守评级。AI方法根据现有文献分类，临床应用则参照数字ACP方法的理论模型进行映射。

研究结果

纳入研究概况

数据库检索最终纳入了41项研究。这些研究大多（58.55%）采用回顾性队列设计。真实世界电子健康记录（EHR）数据是最常见的数据来源（90.24%）。研究关注的疾病类型多样，其中“所有疾病”是最常见的类别（58.53%），其他包括癌症、阿尔茨海默病和老年脆弱性骨折。

人工智能方法特征

纳入研究采用了多样化的AI方法来处理ACP的各个方面。逻辑回归（Logistic Regression, LR）和随机森林（Random Forest, RF）是最常用的方法。人工神经网络（Artificial Neural Networks, ANN）、极限梯度提升（eXtreme Gradient Boosting, XGBoost）、支持向量机（Support Vector Machine, SVM）和决策树（Decision Trees, DT）也频繁被使用。大多数研究（78%）的模型侧重于预测未来患者结局，如生存期、住院时间或特定事件发生的可能性。最常见的次要目标是决策支持（46.34%）和识别可能受益于特定干预的个体（41.17%）。

模型性能与关键特征

在提供性能测量数据的研究中，多数（36.6%）表现出优异性能，部分为非常好（30%）和良好（16.6%）。传统AI/ML模型（如RF、LR、SVM、DT）在多项研究中 consistently 取得“优异”结果。研究使用的特征广泛，包括患者人口统计学和临床数据、缓和医疗与生命末期指标、患者行为数据、医疗资源利用以及提供者相关因素。

数据与代码可用性

数据可用性差异显著。仅一项研究公开了源代码，少数研究（36.6%）表示数据可应合理要求提供，但许多研究（41.5%）未提供数据可用性信息。仅一项研究提供了开放数据集。在源代码可用性方面，绝大多数研究（78.04%）未提供相关信息，这对其透明度和可重复性构成挑战。

人工智能在ACP中的临床应用

AI方法在ACP不同阶段的应用分布不均。几乎所有研究（95.1%）都侧重于识别可能受益于ACP的个体。较少研究涉及启动ACP讨论（24.3%）或记录和共享ACP偏好与决策（19.5%）。关于讨论记录位置（4.87%）和获取使用ACP信息以指导决策（90.2%）的研究较多。没有研究直接涉及审查和更新ACP信息。

研究结论与讨论

本范围综述表明，当前AI在ACP中的应用研究强烈聚焦于预测和分类，特别是在识别可能受益的患者和为医疗专业人员提供决策信息方面。大多数报告的模型在性能上表现出色，显示出AI支持ACP的良好发展前景。然而，一个突出的问题是数据可用性和源代码的普遍缺乏，这严重阻碍了研究的可重复性和透明度。

更重要的是，综述揭示了AI方法在支持ACP全流程方面存在显著差距。现有工具主要集中于识别阶段，而在支持ACP讨论的启动、ACP文件的记录与共享方面关注不足，尤其是在支持ACP信息的审查和更新方面存在明显的研究空白。AI模型具有实时捕捉临床变化的能力，未来有潜力通过患者导向的聊天机器人、情景建模工具或集成到工作流程中的临床提醒系统，促进ACP作为一个持续过程而非一次性事件。

尽管AI方法前景广阔，但其在医疗系统中的实施需谨慎考虑多个方面。AI应增强而非取代临床决策。系统设计需考虑文化敏感性，确保包容性和公平性。伦理问题，如数据隐私、知情同意和算法偏见，也必须得到充分解决。

本综述的发现对ACP研究具有重要启示。未来研究应优先促进创建和共享专门用于ACP的开放获取AI数据集，以增强模型透明度。应探索开发AI驱动的ACP修订系统，支持实时患者参与。需要创建支持文化敏感性ACP讨论的AI工具，例如结合自然语言处理（Natural Language Processing, NLP）来理解和回应多样化的沟通风格和价值观。此外，应研究能有效支持启动ACP讨论的AI应用。最后，鉴于报告模型的性能参差不齐，以及缺乏便于重复性和审查的数据和源代码，在探索ACP中新AI方法的同时，必须考虑其基础的透明度和质量。

总之，这项范围综述清晰地描绘了AI基于方法在ACP中的应用现状：潜力巨大，但发展不均且面临可重复性挑战。AI模型在预测方面表现出色，能有效指导ACP的适时启动，但在支持讨论、文档处理以及至关重要的动态更新环节，研究投入明显不足。未来，通过优先解决数据与代码的开放性问题，并着力填补支持ACP全流程（尤其是审查与更新）的AI工具开发空白，有望推动该领域向更稳健、公平和具有临床影响力的方向发展，最终使更多患者及其家庭从符合其价值观的个体化生命末期照护中受益。