人工智慧的“死亡演算法”：機器幫助人類理解死亡

編者按： 醫患關係的破裂可能是全球醫療的一個普遍情況，醫生們疲於應對各種突發情況，無法真正與病人溝通，與此同時，醫療誤診的情況又比比皆是。在《 Deep Medicine: How Artificial Intelligence Can Make Healthcare Human Again 》一書中，作為內科醫生的作者Eric Topol揭示了人工智慧是如何在預測死亡方面起作用的。 原文標題為“ WILL MACHINES BE ABLE TO TELL WHEN PATIENTS ARE ABOUT TO DIE? ”，文章由36氪編譯，希望能夠為你帶來啟發。

幾年前的一個溫暖晴朗的下午，我90歲的岳父正在打掃他的庭院，突然間感到虛弱和頭暈。 他跪倒在地，爬進自己的公寓，躺倒在沙發上。 由於我們就住在一個街區以外，幾分鐘後我的妻子蘇珊就趕到了他家，當時他有些發抖但並沒有迷糊。蘇珊在我上班的時間給我發了簡訊，讓我過去看看。

當我趕到的時候，他很虛弱，都無法靠自己站起來，沒人清楚到底是什麼引起的。一個初步的神經檢查沒有發現任何異常: 他的語言和視力正常，肌肉和感覺功能正常，只是有些肌肉發抖的情況。 智慧手機的心電圖和超聲波檢查都正常。儘管我知道事情不會很快有結論，我還是建議帶他去急診室看看。

我岳父約翰是一個二戰時期獲得過紫心勳章（Purple Heart）的老兵，從來沒有生過病。 直到最近幾個月，他出現了輕微的高血壓症狀，他的內科醫生給他開了一種弱利尿劑“氯噻酮”。 除此之外，他這些年來唯一的藥物就是每天一片（少劑量）起到預防作用的阿司匹林。

經過一番勸說，他總算同意去醫院看一下。於是我和他的妻子一起開車前往當地的急診室。 那裡的醫生認為他可能是中風了，但是頭部CT又沒有發現任何異常情況。但隨後的血液分析結果卻出人意料地顯示：鉀含量極低，只有1.9 meq/l。這是我見過的最低的鉀含量水平了。利尿劑並不會導致鉀含量的驟減，因而它不太可能是罪魁禍首。不管怎樣，約翰住院過夜的原因只是為了通過靜脈注射和口服補充劑來恢復他的鉀含量。

一切都很正常，直到幾周後他突然開始吐血。 他實在是不願意被人知道“生病”，所以他讓妻子不要打電話給蘇珊。但他太太實在驚慌失措，最終還是給蘇珊打了電話。 蘇珊很快趕到了現場： 臥室，客廳和浴室，到處都是血。 她的父親意識完全清醒，只是嘔吐的症狀和上大號時排出的黑色柏油狀大便是兩個明顯的跡象：他有嚴重的胃腸道出血。他需要再去一次急診室。 幾個小時後，約翰接受了胃腸道專家的會診，並在一次緊急內窺鏡檢查後發現，他患有食管靜脈曲張 —— 這種異常的血管網路的主要病因是門脈高壓 ——這也是導致出血的原因。

為了定位出血源並進行手術，約翰接受了麻醉並注射了芬太尼（一種強效、類鴉片止痛劑）。當他終於在傍晚時分進入醫院病房時，都幾乎說不出幾句話了。 不久之後，他就陷入了深度昏迷。 與此同時，他的化驗結果出來了: 肝功能檢查明顯異常，血氨水平極高，超聲檢查顯示肝硬化。我們很快就意識到，相對於晚期肝癌來說，食道靜脈曲張是完全次要的一個症狀。

一個健康了90年的男人突然陷入昏迷，並且伴隨有肝臟腐爛的情況 —— 他恢復健康的可能性為零，主治醫生和住院醫生建議我們將他歸類為“不進行復蘇治療”的病人。他沒有接受靜脈或營養液的輸入，只接受了乳果糖的灌腸，以降低由於肝衰竭而造成的血氨水平過高。

在接下來的幾天裡，在臨終關懷的幫助下我們計劃將他帶回家，這樣他就可以在家裡離開這個世界。 到了星期天，就在我們準備帶岳父回家的前一個晚上，我的妻子和女兒都去看望了他。 她們都接受過“治癒性觸控”（Healing Touch，一種舒緩的能量治療法）的培訓，為了表達她們深深的愛意，她們花了幾個小時和他交談，並在他昏迷時繼續這種“精神治療法”。

星期一早上，我妻子在醫院病房外會見了臨終關懷護士。 蘇珊告訴護士，在他們討論細節之前，她想去看看她的父親。 蘇珊抱著他，“爸爸，你能聽到我說話對嗎，我們今天就帶你回家。”約翰的胸膛起伏不定，他睜開眼睛看著她，叫道：“哦哦哦..”蘇珊問他是否知道她是誰，他說:“蘇。”

如果拉撒路（Lazarus story）的故事真實存在，那麼我岳父瀕臨死亡的故事就如出一轍（拉撒路是《聖經·約翰福音》中記載的人物，他病危時沒等到耶穌的救治就死了，但耶穌一口斷定他將復活，四天後拉撒路果然從山洞裡走出來）。

所有的一切都被顛倒了過來 —— 讓他靜靜死去的計劃被放棄了。 當臨終關懷的運輸人員到達醫院時，他們被告知轉移計劃已被取消。 約翰第一次被插入做了靜脈注射。而他東海岸的其他家庭成員也被告知他“起死回生”了，這一令人震驚的轉變促使他們儘快前來探望他。第二天，我的妻子甚至接到了她父親打來的電話，讓她給他帶點吃的。

對我來說，那段時間最難忘的記憶就是帶著坐著輪椅的約翰去醫院外面轉轉。那時的他已經在醫院呆了10天，身上已經接了多個輸液管，長期在體內也有置留的導尿管，他的臉色像床單一樣蒼白。 在一個美麗的秋日午後，我不顧護士的反對，幫助他穿戴整齊並帶著他來到醫院門前。 我們走過人行道，爬上醫院前面的一座小山，風吹來了附近桉樹的芳香。 我們一邊聊天，一邊都哭了起來。 我認為對他來說，能活著見到家人就是一種快樂。 在我父親去世後的20年裡，約翰一直如同我養父一般。在相識的近40年裡，我們的關係非常親密。 我從來沒有想過他會生病，因為他一直都硬如磐石。現在他又活過來了，精神也恢復了，我不知道這種狀況還能持續多久。事實上，約翰得了晚期肝癌這件事根本不符合常理 —— 他的過往飲酒史是適量的，有一個血液測試結果顯示他體內有抗體，這也表明他得了原發性膽汁性肝硬化的可能性很小。在一個現年91歲的老人身上發現這一疾病真是無法讓人理解，太罕見了。

在醫療領域，不確定的因素隨處可見。

最終，他並沒有活太久。為了避免反覆出血，我們爭論到底是否該繼續注射，但那需要再做一個內窺鏡檢查程式，這一系列的檢查差點直接讓他死了。 一個星期後，在他即將出院的時候他又出血了，這也導致了他最終的去世。

那麼，這個故事和人工智慧的發展到底有什麼關係？總的來說，我岳父的故事圍繞著醫院和病人之間的互動展開。

最明顯的一個問題就是我們如何面對生命的終結。 姑息治療作為醫學的一個領域，已經經歷了爆炸性的增長。 它將被徹底重新改造：利用電子健康記錄中的資料，新的工具正在開發中，它以前所未有的準確性來預測死亡的時間，與此同時向醫生提供一份報告，詳細說明預測時所參考的因素。 如果進一步驗證的話，這種和深度學習相關的技能將影響超過1700家美國的醫院的姑息治療團隊，這個數字約佔總數的60% 。

在美國，只有6600名經過委員會認證的姑息治療醫生，或者說每1200個接受治療的人中只有一名醫生可以提供服務。通常在需要提供姑息治療的情況，也往往需要提高治療效率的同時不影響治療本身。在住院時要求提供姑息治療的病人中，只有不到一半的人真正被滿足了需求。 與此同時，在得到臨終護理的美國人中，80% 的人寧願死在家裡，但只有一小部分人真正得以如願ーー 60% 的人實際上死在了醫院。

第一個問題： 如何預測一個人可能的死亡時間ーー對於那些想在家裡死去的人來說，正確預測死亡時間至關重要。

眾所周知，醫生很難預測死亡時間。多年來，醫生和護士一直在使用一種名為"驚奇問題"(Surprise Question)的篩查工具，來識別那些臨近生命盡頭的人。在使用這種工具時，他們會反問自己：“如果這個病人在未來12個月內死亡，我會感到驚訝嗎?”系統綜述的26篇論文中有25,000人蔘與了預測，其結果顯示總體準確率低於75% ，並且顯示有明顯的不統一性。

阿南德 · 阿瓦蒂（Anand Avati）是斯坦福大學的電腦科學家，他和他的團隊發表了一個基於電子健康記錄的深度學習演算法，主要用其來預測死亡的時間。從論文的標題“深度學習改善姑息治療”可能看不出這一點，但是毫無疑問，這是一個用於死亡場景的演算法。當薩拉•佩林(Sarah Palin)2009年在一場有關聯邦醫療立法的辯論中首次使用”死亡小組"這個詞時，人們對此感到很焦慮，但那個小組是涉及到醫生這個群體的，如今我們談論的是機器。

一個18層的DNN（Deep Neural Networks，深度神經網路）能夠從近160,000名患者的電子健康記錄中學習，以及在40,000份患者記錄中預測死亡時間，同時保有顯著的準確性。 該演算法可提取醫生不會選取的預測資訊，包括掃描的次數，尤其是關於脊柱或泌尿系統的掃描次數。值得注意的是，該演算法使用的基本事實是“硬資料”ーー它評估了20萬患者的實際死亡時間。這是通過電子記錄中的結構化資料完成的，比如年齡，患者做了哪些程式和掃描，以及住院時間的長短。 該演算法還沒有使用實驗室化驗結果、病理報告或掃描結果，更不用說個別患者更全面的描述，包括心理狀態、生存意願、步態、握力或許多其他與壽命相關的引數。 想象一下，如果他們這樣做的話，準確性將會有多大的提升。

結果表明，從概率上來說，這些掃描次數的特徵在統計學上與患者年齡的“影響因子”一樣重要。預測的結果是非常驚人的: 超過90%的人預計在接下來的3到12個月內死亡，就像預測那些活過12個月的人一樣準確。

人工智慧的死亡演算法預示著姑息治療領域的重大變化，有些公司追求預測“死亡率”，比如 CareSkore，該公司成立於2014年，由Y Combinator 孵化，專注於利用機器學習進行醫療預防護理。關於預測是否有人會死在醫院，這也只是神經網路一個維度的可預測資料罷了 —— 從醫療系統的電子記錄便可獲取。

谷歌的一個團隊與三個學術醫學中心合作，使用了超過216,000個住院病人的近470億個資料點的輸入，並以此做了大量的 DNN 預測: 該病人是否會死亡，住院時間長度，意外的重新入院記錄，以及最終出院的診斷等。所有預測的準確度範圍都很不錯，並且與被研究的醫院之間的資料幾乎一致。 德國的一個研究小組利用深度學習對44,000多名患者進行了研究，以非常準確的方式預測了患者死在醫院概率、腎衰竭和手術後出血併發症等。

DeepMind AI正在與美國退伍軍人事務部合作，預測70多萬退伍軍人的醫療情況。人工智慧同時還被用來預測病人在心臟移植後是否能夠存活，並通過結合電子健康記錄和序列資料來促進基因診斷。 當然了，數學建模和邏輯迴歸模型的分析已經在過去被應用於這些資料，但是機器和深度學習的使用，以及更大的資料集更是大幅提升了準確性。

這個演算法的影響是廣泛的。正如著名的醫學作家辛達塔·穆克吉（Siddhartha Mukherjee ）所言，“我無法擺脫一種固有的不適感，即一種演算法可能比大多數人類更好的理解死亡模式。”顯然，演算法可以幫助病人和他們的醫生在姑息治療和以康復為目標的治療過程中做出決定。 它們可以影響衛生系統的資源利用，如重症監護病房，復甦，或呼吸機。 同樣地，對於醫療保險公司來說，如何使用這些預測資料進行賠償也是一個迫在眉睫的問題。

回到我岳父的案例 —— 他嚴重的肝臟疾病之前被完全忽視了。在他第一次住院期間進行的實驗室測試顯示，他的鉀含量極低，這是完全可以被實驗室檢測到的資料，基於此，人工智慧演算法甚至可能識別得肝癌的潛在原因，（由於沒有使用這類工具）他的潛在死因至今仍然未知。我岳父生命盡頭的故事同樣也帶來了許多演算法永遠無法捕捉到的元素，比如根據他的化驗結果，肝衰竭的情況，結合年齡和反應遲鈍等情況，他的醫生說他永遠不會再醒來，並可能在幾天內死亡，但實際情況並不是這樣。

有一個預測情況是正確的，在我岳父的住院期間，他不會活下來。

但這並不能告訴我們在我岳父或任何其他病人還活著的時候，我們到底應該做些什麼。當我們思考人類生死攸關的問題時，是很難聯想到機器和演算法的 —— 事實上，這是遠遠不夠的。儘管醫生做出了“他很快會死去”的預測，他還是活過來了，並且能夠和他的大家庭一起慶祝他的生日，分享回憶、歡笑和親密。我並不知道人們的精神療法（治癒性的觸控）是否是他恢復狀態的一個因素，但我的妻子和女兒肯定對該療法有著自己的看法。

話說回來，如果在那個時候放棄任何維繫他生命的努力，也就會搶走他告別，並表達他對家人的愛意的機會。我們至今還沒有演算法來判斷，這到底是否有意義。

改編自節選：Eric Topol的書籍《Deep Medicine: How Artificial Intelligence Can Make Healthcare Human Again》 https://www.wired.com/story/book-excerpt-machine-learning-medicine-predictions/

編譯組出品。