武漢協和結直腸癌死亡率模型可預測風險，但尚未適合用於床邊決策
武漢協和醫院研究人員建立了一個結直腸癌死亡率模型，可預測 28 日死亡風險，但其最強結果來自回顧性訓練資料。該系統未曾在前瞻性臨床試驗中測試，而相關研究最早於 2023 年 11 月發表。因此，一則在 2026 年 10 月再次流傳的標題，既非描述新模型推出，亦非新近完成的臨床驗證。
該模型處理的是深切治療團隊面對的一項棘手問題：估算 60 歲或以上危重結直腸癌患者的短期死亡率。然而，其表現於三個病人群組之間有明顯差異，其中一個小型醫院群組僅錄得六宗死亡個案。
這個落差構成核心張力。機器學習捕捉到傳統邏輯迴歸未能辨識的模式，但回顧性資料中的鑑別能力，並不等同能改善病人照護。現有嚴重程度評分、醫生判斷及已記錄的病人意願，仍是實際比較基準。
這項研究提供了有前景的研究證據，但未能證明演算法應決定 ICU 收治、治療強度，或取得維生治療的機會。
武漢協和結直腸癌死亡率模型實際發現了甚麼
研究比較了 969 名歷史病人的六種預測方法，而非將 AI 系統部署至床邊。
研究人員 Chunxia Guo、Jun Pan、Shan Tian 及 Yuanjun Gao 透過武漢協和醫院及太和醫院開展這項工作。他們的原始研究於 2023 年 11 月 11 日刊登在 Journal of International Medical Research。
研究納入了來自 eICU Collaborative Research Database 的 693 名病人。另外 181 名病人來自 MIMIC-IV，95 名則來自武漢協和醫院。
所有參與者均至少 60 歲、病情危重，並獲診斷為結直腸癌。研究人員排除重複 ICU 入院、留院少於 24 小時，以及超過 70% 資料缺失的紀錄。
團隊以 eICU 作為開發群組，其後以 MIMIC-IV 及武漢協和資料評估模型。
這個設計十分重要，因為三個群組不能互相替代。它們的年齡、腫瘤部位、治療、共病情況、嚴重程度評分及化驗測量均有顯著差異。
eICU 群組平均年齡為 75.1 歲。MIMIC-IV 的平均年齡為 74.4 歲，而武漢協和群組則為 66.9 歲。
結腸腫瘤佔 eICU 群組的 98%。直腸腫瘤則佔 MIMIC-IV 病人的 56%，以及武漢協和病人的 58%。
機械通氣的比例亦有明顯差異：eICU 病人為 30%，MIMIC-IV 病人為 33%，武漢群組則為 64%。
這些差異令外部評估具參考價值，同時亦顯示不同醫院的病人群體可以有多大差別。
研究人員比較了邏輯迴歸與五種機器學習方法，分別為決策樹、隨機森林、XGBoost、LightGBM 及堆疊集成模型。
堆疊集成模型會結合多個模型的預測結果。在此個案中，它將隨機森林、XGBoost 及 LightGBM 的輸出整合為單一結果。
團隊透過十折交叉驗證調整模型設定，並評估準確率、召回率、F1 分數及受試者操作特徵曲線下面積。
曲線下面積（AUC）衡量模型把較高風險病人排在較低風險病人之前的能力。0.5 代表隨機排序，1.0 則代表完全區分。
該集成模型在 eICU 開發群組中取得 0.86 的 AUC，並達到 0.90 準確率、0.89 召回率及 0.88 F1 分數。
隨機森林的 AUC 為 0.83，LightGBM 為 0.82。XGBoost 錄得 0.80，決策樹則為 0.74。
邏輯迴歸在該群組中表現最差，AUC 為 0.68。這項比較支持作者的說法，即非線性方法可從現有變數中提取額外的預測資訊。
然而，集成模型在 MIMIC-IV 評估中的 AUC 降至 0.73，在武漢協和群組中則為 0.81。
這些結果仍可能有用，但明顯較標題所突出的訓練結果為弱。它們量度的也是鑑別能力，而非更佳存活率、更安全的分流，或更好的治療選擇。
研究在 693 名 eICU 病人中記錄了 93 宗 28 日內死亡。MIMIC-IV 在 181 名病人中錄得 28 宗死亡，武漢協和則在 95 名病人中錄得六宗死亡。
六宗結果事件為可靠性判斷提供的基礎相當有限。只要少數病人被不同方式分類，已可能明顯改變所報告的武漢群組表現。
因此，標題結果的含義十分具體：研究人員發現，機器學習在歷史資料集上對死亡風險的排序，可優於他們所選用的邏輯迴歸模型。他們未有證明該系統改善了任何臨床決策或病人結果。
為何這個 AI 死亡率預測模型對深切治療具意義
短期風險估算可協助安排臨床關注重點，但一旦被解讀為治療建議，便可能帶來危險。
危重癌症病人往往同時面對多項相互重疊的問題。感染、器官衰竭、治療毒性、出血、梗阻及癌症進展，都可能影響同一項決策。
臨床人員必須判斷病情惡化是否可逆，亦須考慮基線健康狀況、癌症狀態、治療選項、病人偏好，以及深切治療帶來的負擔。
這個 AI 死亡率預測模型嘗試利用 ICU 入院首 24 小時內可取得的資料支援該過程。輸入資料包括人口統計資料、生命徵象、化驗結果、共病情況、治療、以及疾病嚴重程度評分。
這個時間點令研究具備潛在臨床相關性。若預測在關鍵決策之後才送達，實際價值便很有限。
模型亦採用常規醫院資料，毋須基因組測序、專門影像檢查或新的實驗室檢測。
這項特點或可令日後實施較為容易。醫院已為日常照護收集當中不少變數。
不過，死亡率分數無法回答病人是否應接受通氣、升壓藥、手術、化療或以舒適為主的照護。它所估算的是在歷史治療模式下的結果。
這項區分至關重要。預測描述統計關聯，而治療決策需要因果證據及針對個別病人的判斷。
高預測風險不代表積極治療必然徒勞。部分被分類為高風險的病人會存活，部分被分類為較低風險的病人則會死亡。
這些錯誤的代價並不對稱。錯誤地令人安心可能延誤升級治療；過度悲觀的結果則可能減少一名本可康復者的照護。
研究報告了召回率及 F1 分數，但未有確立獲臨床接受的操作閾值。閾值決定哪些預測機率會觸發警示或行動。
不同閾值帶來不同取捨。降低閾值可捕捉更多高風險病人，但亦會產生更多誤報。
提高閾值可減少警示，卻會錯過更多其後死亡的人。適當平衡取決於預定決策、人手、可用治療，以及錯誤造成的後果。
論文未有界定一個已測試此平衡的床邊工作流程，亦未有把 AI 輔助決策與獨立臨床團隊作出的決策比較。
因此，最清晰的潛在用途是排序優先次序，而非自主分流。風險訊號或可促使重新評估、加強監察或進行跨專業檢討。
即使如此，該分數仍需要校準。校準衡量預測機率是否對應觀察到的結果，而不僅是病人排序是否正確。
一個模型可能能合理地排列病人風險，卻高估所有人的絕對風險。當臨床人員與家屬討論預後時，這種錯誤便十分重要。
武漢協和結直腸癌死亡率模型亦與既有的深切治療評分並列。研究將 SOFA、OASIS 及 APS III 測量值納入其輸入資料。
SOFA 概述主要器官系統的功能障礙。OASIS 及 APS III 則結合生理測量，以描述急性病情嚴重程度。
由於這些評分為模型提供資訊，該演算法並非傳統嚴重程度評估的純粹對手。它部分吸收了相關評估，並與額外變數結合。
它真正競爭的對象是目前的決策流程。該流程將嚴重程度評分與檢查結果、癌症病史、治療反應、病人意願及跨專科會診結合。
研究未有測試其輸出結果能否改善這個流程。在出現此類證據前，該模型仍屬研究工具，而非臨床替代方案。
機制並不陌生，但特徵模式具參考價值
模型的價值來自結合一般臨床訊號，而非發現新的生物標記。
以樹為基礎的機器學習方法會根據量度特徵的組合來劃分病人。它們可捕捉簡單線性模型或會忽略的閾值及交互作用。
隨機森林會平均多個決策樹的預測結果。XGBoost 及 LightGBM 則建立一系列樹，集中處理較早出現的錯誤。
集成模型結合了這三種方法。其較強的開發結果，很可能反映這些方法能夠呈現眾多臨床變數之間的非線性關係。
研究人員亦使用 SHAP，這是一種估算每個特徵如何影響個別預測的方法。SHAP 並不能證明某項特徵導致某個結果。
相反，它顯示經訓練的模型如何使用該特徵。這可令預測較容易檢視，雖然未能消除底層資料中的偏差。
不同演算法的特徵排名有所不同。在隨機森林中，升壓藥使用、血尿素氮及 Charlson 共病指數是首三項特徵。
Charlson 指數概述病人嚴重慢性疾病的負擔。血尿素氮（BUN）可反映腎功能、水合狀態、組織分解及疾病嚴重程度。
在 XGBoost 中，升壓藥、血清白蛋白及 BUN 是首要特徵。LightGBM 則把白蛋白、血紅蛋白及鹼性磷酸酶列於最高位置。
升壓藥在嚴重循環衰竭期間用以維持血壓。其重要性很可能反映急性生理狀況不穩，而非癌症特異性機制。
白蛋白是一種受營養、炎症、肝功能及體液狀態影響的血液蛋白質。研究中，較低白蛋白與較高預測死亡率相關。
研究人員指出，這些病人的營養值得關注。這個詮釋作為臨床假設屬合理，但分析未有測試營養治療是否可降低死亡率。
低白蛋白可作為全身性疾病的指標，卻未必是可直接矯正的病因。提升某個化驗數值，並不一定能逆轉該數值所反映的病情。
同樣的警惕亦適用於 BUN。較高的數值可能反映腎功能障礙或更廣泛的生理壓力，但單純降低 BUN，並不保證可改善存活率。
這正是為何不能將可解釋性與因果關係混為一談。一項特徵可以強烈影響預測，卻不代表它是安全的治療目標。
該模型亦採用了與治療相關的變數，包括機械通氣及升壓劑。這類變數帶來另一項詮釋挑戰。
某項治療可能表示患者本來已經病情較重，同時亦可能影響其後的結果。
若演算法從病情惡化後採取的措施中學習，它可能部分重現當地的治療模式。這些模式可因醫院而異，亦會隨時間改變。
此問題尤其重要，因為來源資料庫涵蓋不同地點及時期。eICU database 收錄了 2014 至 2015 年間美國多間醫院逾 200,000 次入院紀錄。
MIMIC-IV 收錄來自波士頓一所學術醫療中心的去識別化紀錄。研究人員所使用版本的 clinical database 涵蓋 2008 至 2019 年的入院資料。
武漢協和醫院隊列提供了一組地理上不同的評估群組。然而，其樣本規模較小，且僅有六宗死亡個案，限制了該結果可證實的範圍。
該模型的確顯示出一定可遷移性。面對人口特徵存在實質差異的資料集時，其風險排序能力仍高於隨機水平。
然而，效能變化才是故事的重點，而非令人不便的註腳。該集成模型的 AUC，從開發期間的 0.86 降至 MIMIC-IV 中的 0.73。
這種下降說明了醫療 AI 常見的問題。模型可學習與某一資料集、文件記錄系統、治療文化或患者組成相關的關係。
外部評估揭示了部分這種依賴性，但無法取代擬使用該系統的醫院進行前瞻性測試的需要。
因此，其機制合理，技術上亦屬常見。它最有價值的貢獻，是提供證據顯示，常規收集的 ICU 變數包含額外的非線性預後資訊。
這項發現支持進一步研究，但不足以將該系統描述為完成開發的臨床產品。
這些數字未能證實甚麼
最大的未知數並非演算法能否產生分數，而是該分數在真實照護過程中是否仍然準確並帶來效益。
這項研究屬回顧性研究。每項預測均以既往收集紀錄中已經發生的結果作評估。
回顧性研究對模型開發很有價值，但亦容易受到記錄不完整、選擇效應、臨床做法轉變，以及治療與結果之間隱藏關係的影響。
論文承認了多項限制。武漢協和醫院評估群組僅包括 95 人，而模型的預測準確度屬良好而非優異。
研究人員亦缺乏病理變數，未納入腫瘤－淋巴結－轉移分期、腫瘤大小或腫瘤分級。
這些遺漏相當重要，因為短期結果可同時反映重症程度及癌症負荷。現有特徵未必能區分可逆轉的器官衰竭與治療選項較少的晚期疾病。
模型僅限於 60 歲或以上的成年人。在未經獨立評估前，不應推廣至較年輕的大腸癌患者。
其研究對象亦為已入住深切治療部的危重病人。研究結果並未證實模型在急症室、腫瘤科病房、術後復原單位或門診環境中的表現。
開發群組絕大多數由結腸癌個案構成，而直腸癌在兩個評估群組中則明顯較常見。
這種不一致有助測試可遷移性，但亦為亞組表現帶來不確定性。文章未就每個腫瘤位置、性別、族裔或治療群組，提供足夠詳細的效能估計。
現代報告標準要求開發者直接檢視這類問題。TRIPOD+AI guidance 強調透明報告、亞組評估、公平性及開放科學實務。
這份指引於該大腸癌研究後才發表，為任何後續工作提供了有用標準。
後續研究應報告每項效能估計的不確定性。0.81 或 0.73 等點估計值，看似可能比樣本所支持的精確度更高。
當某個評估隊列僅出現六宗死亡個案時，置信區間尤其重要。實際上合理的效能範圍可能很闊。
研究亦應按不同地點及具臨床重要性的亞組報告校準度。預測死亡率為 40% 的分數，應大致對應相似患者中的該結果發生頻率。
決策曲線分析可提供另一個層面。它估計使用模型是否比將所有人或所有人都不視為高風險，帶來更大的臨床效益。
這項 2023 年研究集中於預測指標，未有顯示根據模型在某一特定門檻採取行動可帶來淨效益。
下一步應進行前瞻性靜默驗證。在這種設計中，系統會在當前照護期間產生預測，但臨床醫護人員不會使用這些預測。
研究人員便可在不影響患者治療下，評估資料可用性、時效、校準度、亞組錯誤及效能漂移。
其後需要進行受控的臨床評估。評估應界定誰可看見分數、分數建議甚麼行動，以及臨床醫護人員如何提出質疑。
試驗應量度的不止是預測準確度。相關結果包括延誤升級處置、不必要介入、家屬理解、臨床工作量、公平性及患者存活情況。
FUTURE-AI framework 將公平性、普適性、可追溯性、可用性、穩健性及可解釋性列為醫療 AI 的核心原則。這個大腸癌模型僅處理了當中的一部分。
透過 SHAP 提供可解釋性固然有幫助，但並不能證明可用性或安全性。臨床醫護人員仍須知道模型何時超出其預定適用人群。
可追溯性需要版本控制、已記錄的輸入資料、已記錄的模型變更，以及部署後的監察。穩健性則需要在測量資料缺失或採用不同收集方式時進行測試。
公平性不僅是納入多個國家。研究人員必須檢視不同群組的錯誤率是否存在差異，以及該等差異會否影響照護。
死亡率模型亦承擔特殊的倫理負擔。其輸出可影響有關侵入性治療、資源使用及臨終規劃的討論。
這並不代表該技術不適當，反而令管治及人類監督成為產品設計的核心。
在美國的任何實施亦需要審慎評估監管要求。FDA 的 clinical decision support guidance 區分某些非醫療器械支援功能，與須受醫療器械監管的軟件。
分類取決於預定用途，以及臨床醫護人員能否獨立檢視建議的依據。與高風險治療掛鈎的死亡率分數，可能會受到嚴格審查。
目前論文並未描述商業產品、監管申請、醫院部署或電子健康紀錄整合。不應報道得彷彿這些里程碑已經實現。
此模型投入臨床前應留意甚麼
三項訊號將決定這項研究會成為有用的臨床決策支援，還是停留在令人鼓舞的回顧性結果。
第一項訊號是使用當前患者資料進行前瞻性、多中心評估。研究應納入未有提供開發紀錄的醫院。
這類研究將測試整條資料管道，並揭示所需測量值能否及時取得，以及在不同電子紀錄之間是否維持一致定義。
研究亦應公布各院的校準度及置信區間。穩定的結果將加強「大腸癌死亡率模型可推廣至已存檔資料庫以外」的說法。
大幅效能下降則會削弱這項說法，並表示演算法可能依賴歷史文件記錄或治療模式。
第二項訊號是清晰定義的臨床工作流程。研究人員必須說明分數超過門檻後會發生甚麼。
有用的工作流程或可觸發資深醫護覆核、腫瘤科會診，或有結構的照護目標討論。該分數不應自動拒絕病人接受深切治療。
評估必須將該工作流程與一般照護比較，否則 AUC 的改善仍與實際決策及結果脫節。
研究人員應量度誤報、漏判死亡、回應時間、臨床醫護接受程度，以及對不同患者群組的影響，亦應記錄臨床醫護何時推翻系統建議。
頻繁推翻建議或反映系統與臨床現實不符；相反，有選擇且記錄完整的推翻，可證明人類監督恰當。
第三項訊號是透明的模型文件及監察。開發者應發布足夠資訊，讓外界可獨立評估。
這包括最終特徵清單、預處理規則、缺失資料處理方法、模型設定、門檻、校準方法及預定適用人群。公開程式碼將提升可重現性。
醫院亦需要應對效能漂移的計劃。化驗系統、患者群體、編碼慣例及治療方案均會改變。
在某段期間有效的模型可悄然退化，因此任何部署後都應持續監察。
這些訊號比再作一次回顧性 AUC 比較更重要。這個領域早已知道，樹狀模型能從深切治療資料中擷取非線性模式。
尚未解決的問題是，這個特定系統能否帶來更安全或更一致的照護。這需要當前資料、明確的介入措施及以結果為本的評估。
武漢協和醫院大腸癌死亡率模型值得關注，因為它在三個不同隊列中測試了多種演算法，亦透過特徵歸因令個別預測更容易檢視。
然而，流傳中的 2026 年標題，為該研究賦予了尚未具備的新鮮感及臨床就緒程度。其基礎證據來自 2023 年，仍處於開發階段。
讀者應將報告的 0.86 AUC 視為評估的起點，而非結論。MIMIC-IV 的外部結果 0.73 同樣至少同等重要。
對臨床醫護人員而言，即時行動很直接：未經本地驗證及正式管治，不應使用已發表模型作個別治療決策。
對醫療系統而言，下一個問題不應是能否在儀表板加入 AI 分數，而是對該分數作出明確回應能否改善照護。
對研究人員而言，首要工作是進行具透明亞組結果的前瞻性多中心測試。只有在模型展現穩定的即時效能後，才應進行臨床試驗。
對患者及家屬而言，任何演算法估計都應只是更廣泛討論中的一項輸入。診斷、可逆性、治療目標及個人價值，無法濃縮為單一機率。
該模型已識別出一個可信的研究方向。如今重點由預測轉向證據：它的評分能否在不造成不公平地收窄照護範圍的前提下，支持更佳決策？
