武汉协和结直肠癌死亡率模型可预测风险，但尚不足以指导床旁决策
武汉协和医院研究人员构建了一种结直肠癌死亡率模型，可预测 28 天死亡风险，但其最强结果来自回顾性训练数据。该系统尚未在前瞻性临床试验中接受测试，相关研究最早发表于 2023 年 11 月。因此，2026 年 10 月再次传播的标题既不代表新模型发布，也不意味着新的临床验证已经完成。
该模型试图回答重症监护团队面临的一个难题：评估 60 岁及以上危重结直肠癌患者的短期死亡风险。然而，该模型在三个患者群体中的表现存在明显变化，其中一个小型医院队列仅记录了 6 例死亡。
这一差距构成了核心矛盾。机器学习捕捉到了传统逻辑回归未能识别的模式，但回顾性数据中的区分能力并不等同于更好的患者照护。现有严重程度评分、医生判断以及已记录的患者意愿，仍是更具现实意义的比较基准。
该研究提供了有前景的研究证据，但并未证明算法应当决定 ICU 收治、治疗强度或生命维持治疗的可及性。
武汉协和结直肠癌死亡率模型实际发现了什么
该研究比较了 969 名历史患者中的六种预测方法，而非在床旁部署 AI 系统。
研究人员郭春霞、潘军、田姗和高元军通过武汉协和医院与太和医院开展了这项工作。他们的原始研究于 2023 年 11 月 11 日发表在《Journal of International Medical Research》。
研究纳入了来自 eICU Collaborative Research Database 的 693 名患者，另有 181 名患者来自 MIMIC-IV，95 名来自武汉协和医院。
所有参与者均至少 60 岁、病情危重，并被诊断为结直肠癌。研究人员排除了重复 ICU 入院者、住院时间不足 24 小时者，以及超过 70% 数据缺失的记录。
团队将 eICU 用作开发队列，随后利用 MIMIC-IV 和武汉协和数据评估模型。
这一设计很重要，因为这三个群体并不能相互替代。它们的年龄、肿瘤部位、治疗方式、合并症、严重程度评分和实验室测量结果均存在显著差异。
eICU 组的平均年龄为 75.1 岁。MIMIC-IV 组平均为 74.4 岁，武汉协和队列平均为 66.9 岁。
结肠肿瘤占 eICU 组的 98%。直肠肿瘤占 MIMIC-IV 患者的 56%，占武汉协和患者的 58%。
机械通气比例同样差异显著。eICU 患者中有 30% 记录使用机械通气，MIMIC-IV 为 33%，武汉组则为 64%。
这些差异使外部评估具有价值，也表明不同医院的患者群体之间可能存在多么显著的差别。
研究人员将逻辑回归与五种机器学习方法进行了比较，分别为决策树、随机森林、XGBoost、LightGBM 和堆叠集成模型。
堆叠集成模型会结合多个模型的预测结果。在本研究中，它将随机森林、XGBoost 和 LightGBM 的输出整合为一个结果。
团队通过十折交叉验证调整模型设置，并评估准确率、召回率、F1 分数和受试者工作特征曲线下面积。
曲线下面积，即 AUC，用于衡量模型将高风险患者排在低风险患者之前的能力。0.5 代表随机水平的排序，1.0 则代表完全区分。
该集成模型在 eICU 开发队列中达到 0.86 的 AUC，同时实现了 0.90 的准确率、0.89 的召回率和 0.88 的 F1 分数。
随机森林的 AUC 为 0.83，LightGBM 为 0.82。XGBoost 为 0.80，决策树为 0.74。
逻辑回归在该队列中表现最差，AUC 为 0.68。这一比较支持作者的说法，即非线性方法从可用变量中提取了额外的预测信息。
不过，该集成模型在 MIMIC-IV 评估中的 AUC 降至 0.73，在武汉协和队列中达到 0.81。
这些结果仍可能具有一定价值，但明显弱于标题中强调的训练结果。它们衡量的也是区分能力，而非生存改善、更安全的分诊或更好的治疗选择。
研究记录到 693 名 eICU 患者中有 93 人在 28 天内死亡。MIMIC-IV 的 181 名患者中有 28 人死亡，武汉协和的 95 名患者中则有 6 人死亡。
6 个结局事件为判断可靠性提供的基础有限。少数患者分类结果的变化，就可能显著改变报告中的武汉队列表现。
因此，标题所指的结果具有明确边界。研究人员发现，机器学习能够比其选定的逻辑回归模型更好地在历史数据集中排列死亡风险。但他们并未证明该系统改善了临床决策或患者结局。
为什么 AI 死亡率预测模型在重症监护中重要
短期风险估计可以帮助组织临床关注重点，但一旦被解读为治疗建议，就可能带来风险。
危重癌症患者往往同时面临多种相互叠加的问题。感染、器官衰竭、治疗毒性、出血、梗阻和肿瘤进展，都可能影响同一项决策。
临床医生必须判断病情恶化是否可逆，同时还必须考虑基础健康状况、癌症状态、治疗选择、患者偏好以及重症监护的负担。
该 AI 死亡率预测模型试图利用 ICU 收治最初 24 小时内可获得的信息来支持这一过程。输入变量包括人口统计学信息、生命体征、实验室结果、合并症、治疗情况和疾病严重程度评分。
这一时间点使研究具备潜在的临床相关性。如果预测在关键决策之后才给出，其实际价值将十分有限。
该模型还使用常规医院数据，不需要基因组测序、专业影像检查或新的实验室检测。
这一特点可能使未来实施更为容易。医院在常规照护中已经收集了许多相关变量。
不过，死亡率评分无法回答患者是否应接受机械通气、血管活性药物、手术、化疗或以舒适为重点的照护。它估计的是历史治疗模式下的结局。
这种区别至关重要。预测描述的是统计关联，而治疗决策需要因果证据和针对个体患者的判断。
较高的预测风险并不意味着强化治疗无效。部分被归为高风险的患者会存活，而部分被归为较低风险的患者会死亡。
这些错误的代价并不对称。错误的安心判断可能延误升级治疗；过度悲观的结果则可能减少对本可康复患者的照护。
研究报告了召回率和 F1 分数，但并未确定一个获得临床认可的操作阈值。阈值决定了哪些预测概率会触发警报或行动。
不同阈值会带来不同取舍。降低阈值会识别更多高风险患者，但也会产生更多误报。
提高阈值会减少警报，但会漏掉更多后来死亡的人。恰当的平衡取决于预期决策、人员配置、可用治疗手段以及错误造成的后果。
论文并未定义一个已验证这种平衡的床旁工作流程，也没有将 AI 辅助决策与独立临床团队作出的决策进行比较。
因此，最明确的潜在用途是优先级排序，而非自主分诊。风险信号可能促使重新评估、更密切的监测或多学科审查。
即便如此，该评分仍需要进行校准。校准衡量预测概率是否与实际观察到的结局相符，而不只是患者排序是否正确。
一个模型可能对患者排序得相当合理，却高估每个人的绝对风险。在临床医生与家属讨论预后时，这类错误尤为重要。
武汉协和结直肠癌死亡率模型也与既有重症监护评分并存。研究将 SOFA、OASIS 和 APS III 测量结果作为输入变量。
SOFA 概括主要器官系统的功能障碍。OASIS 和 APS III 则结合生理测量数据来描述急性疾病严重程度。
由于这些评分向模型提供了信息，该算法并非传统严重程度评估的纯粹对手。它在一定程度上吸收了这些评估，并将其与其他变量结合。
它真正面对的竞争对象是现有决策流程。该流程将严重程度评分与体格检查、癌症病史、治疗反应、患者意愿和跨专科会诊结合起来。
该研究没有检验其输出是否改善了这一流程。在此类证据出现之前，该模型仍应被视为研究工具，而非临床替代方案。
机制并不陌生，但特征模式具有参考价值
该模型的价值在于组合常规临床信号，而非发现新的生物学标志物。
基于树的机器学习方法会按照测量特征的组合划分患者。它们能够捕捉简单线性模型可能遗漏的阈值和交互作用。
随机森林会对许多决策树的预测结果取平均。XGBoost 和 LightGBM 则构建一系列树，重点处理先前出现的错误。
该集成模型结合了这三种方法。其较强的开发结果很可能反映出，这些方法能够表征许多临床变量之间的非线性关系。
研究人员还使用了 SHAP，这是一种估计每项特征如何影响个体预测的方法。SHAP 并不能证明某项特征导致了某种结局。
相反，它展示了训练后的模型如何使用该特征。这可以使预测结果更容易被审查，但并不能消除底层数据中的偏差。
不同算法的特征排序存在差异。在随机森林中，血管活性药物使用、血尿素氮和 Charlson 合并症指数是排名前三的特征。
Charlson 指数概括了患者严重慢性疾病的负担。血尿素氮，即 BUN，可反映肾功能、水合状态、组织分解和疾病严重程度。
在 XGBoost 中，血管活性药物、血清白蛋白和 BUN 是主要特征。LightGBM 则将白蛋白、血红蛋白和碱性磷酸酶列为最重要的特征。
血管活性药物用于在严重循环衰竭期间维持血压。其重要性可能反映急性生理不稳定状态，而非结直肠癌特异性机制。
白蛋白是一种受营养、炎症、肝功能和体液状态影响的血液蛋白。研究中，较低的白蛋白与更高的预测死亡率相关。
研究人员认为这些患者的营养状况值得关注。这一解读作为临床假设是合理的，但该分析并未检验营养治疗是否降低死亡率。
低白蛋白可作为全身性疾病的标志，但未必是能够直接纠正的病因。提高某项实验室指标，并不一定能逆转该指标所代表的病情。
对 BUN 也应持同样谨慎的态度。较高的检测值可能提示肾功能障碍或更广泛的生理应激，但单独降低 BUN 并不能保证提高生存率。
这正是为何不能将可解释性与因果关系混为一谈。一个特征可能对预测产生强烈影响，却并不提供安全的治疗靶点。
该模型还使用了与治疗相关的变量，包括机械通气和血管加压药。这类变量带来了另一项解释上的挑战。
某项治疗可能表明患者原本就更为危重，也可能影响后续结局。
如果算法从病情恶化后采取的干预措施中学习，它可能会部分复现当地的治疗模式。这些模式可能因医院而异，也会随时间变化。
这一问题尤为重要，因为来源数据库覆盖的地点和时期不同。eICU database 包含 2014 年和 2015 年期间美国众多医院超过 20 万例住院记录。
MIMIC-IV 包含来自波士顿一家学术医疗中心的去标识化记录。在研究人员使用的版本中，其临床数据库涵盖了 2008 年至 2019 年的住院病例。
武汉协和队列提供了一个在地理上不同的评估组。然而，其样本量较小且仅有 6 例死亡，限制了该结果能够证明的内容。
该模型确实展现出一定的可迁移性。它在患者群体存在实质差异的多个数据集中，对风险的排序均优于随机水平。
但性能变化本身才是重点，而非无关紧要的脚注。该集成模型的 AUC 从开发阶段的 0.86 降至 MIMIC-IV 中的 0.73。
这一降幅体现了医疗 AI 的常见问题：模型可能学习到与某一个数据集、文档系统、治疗文化或患者构成相绑定的关系。
外部评估能够揭示部分这种依赖性，但并不能消除计划使用该系统的医院进行前瞻性测试的必要性。
因此，其机制合理，在技术上也并不特殊。它最有价值的贡献是表明：常规采集的 ICU 变量中包含额外的非线性预后信息。
这一发现支持进一步研究，但不足以将该系统描述为已经完成的临床产品。
这些数字无法证明什么
最大的未知之处不在于算法能否生成评分，而在于该评分在真实诊疗过程中是否依然准确且有益。
这项研究是回顾性的。每一项预测均以既往采集记录中已经发生的结局作为评估依据。
回顾性研究对模型开发很有价值，但也容易受到文档记录不完整、选择效应、临床实践变化，以及治疗与结局之间隐性关系的影响。
论文承认了若干局限性。武汉协和评估组仅包括 95 人，模型的预测准确性良好，但并非卓越。
研究人员也缺少病理学变量，未纳入肿瘤-淋巴结-转移分期、肿瘤大小或肿瘤分级。
这些遗漏很重要，因为短期结局可能同时反映危重疾病状态和癌症负担。现有特征可能无法区分可逆性器官衰竭与治疗选择较少的晚期疾病。
该模型仅适用于 60 岁及以上的成年人。在未进行单独评估前，不应将其推广至较年轻的结直肠癌患者。
其研究人群也已属危重状态，并已入住重症监护室。这些发现并不能证明其在急诊科、肿瘤病房、术后恢复单元或门诊环境中的表现。
开发组中结肠癌病例占绝大多数，而在两个评估组中直肠癌更为常见。
这种不匹配有助于检验可迁移性，但也对亚组表现带来不确定性。文章没有为每个肿瘤部位、性别、族群或治疗组提供足够详细的性能估计。
现代报告标准要求开发者直接考察这些问题。TRIPOD+AI guidance 强调透明报告、亚组评估、公平性和开放科学实践。
该指南发表于结直肠癌研究之后，但为任何后续工作提供了有用的标准。
后续研究应报告每项性能估计的不确定性。0.81 或 0.73 这样的点估计值，看起来可能比样本所能支持的精确度更高。
当一个评估队列中仅发生 6 例死亡时，置信区间尤为重要。实际可能的性能范围或许很宽。
还应在不同地点和临床重要亚组中报告校准情况。预测死亡率为 40% 的评分，在可比患者中应大致对应这一结局发生频率。
决策曲线分析可提供另一层证据。它估计使用模型是否比将所有人或无人视为高风险带来更大的临床获益。
这项 2023 年研究侧重于预测指标，并未显示在特定阈值下依据模型采取行动能够产生净获益。
下一步应进行前瞻性静默验证。在这种设计中，系统会在当前诊疗过程中生成预测，但临床医生不使用这些预测。
研究人员随后可以在不影响患者治疗的情况下，评估数据可用性、时间安排、校准度、亚组错误和性能漂移。
在此之后，还需要进行受控临床评估。该评估应明确谁能看到评分、其建议采取何种行动，以及临床医生如何对其提出异议。
试验衡量的内容不应仅限于预测准确性。相关结局包括延迟升级治疗、不必要干预、家属理解程度、临床医生工作负荷、公平性和患者生存。
FUTURE-AI framework 将公平性、普适性、可追溯性、可用性、稳健性和可解释性列为医疗 AI 的核心原则。该结直肠癌模型仅覆盖了其中一部分路径。
通过 SHAP 提供的可解释性有所帮助，但并不能证明可用性或安全性。临床医生仍需要知道模型何时超出其预期适用人群。
可追溯性需要版本控制、输入日志、记录在案的模型变更，以及部署后的持续监测。稳健性则需要在测量缺失或采集方式不一致时进行测试。
公平性不仅仅意味着纳入多个国家。研究人员必须检验不同群体之间的错误率是否存在差异，以及这些差异是否影响诊疗。
死亡率模型还承担着不同寻常的伦理责任。其输出可能影响围绕侵入性治疗、资源使用和临终规划的讨论。
这并不意味着这项技术不合适，而是说明治理和人工监督必须成为产品设计的核心。
在美国实施这类系统还需要谨慎的监管评估。FDA 的clinical decision support guidance区分了某些非器械类支持功能与受器械监管的软件。
其分类取决于预期用途，以及临床医生能否独立审查某项建议的依据。与高风险治疗相关的死亡率评分可能会受到严格审查。
当前论文并未描述商业产品、监管申报、医院部署或电子健康记录整合。不应将其报道得仿佛这些里程碑已经实现。
该模型进入临床前值得关注的事项
三项信号将决定这项研究会成为有用的临床决策支持，还是停留在令人鼓舞的回顾性结果。
第一项信号是使用当前患者数据开展前瞻性、多中心评估。研究应纳入未提供开发记录的医院。
这样的研究将检验完整的数据管线，并揭示所需测量指标能否及时获得，以及它们能否在不同电子病历中保持一致定义。
研究还应公布每个站点的校准结果和置信区间。稳定的结果将增强这一主张：结直肠癌死亡率模型可泛化至归档数据库之外。
显著的性能下降则会削弱这一主张，并表明算法依赖于历史文档记录或治疗模式。
第二项信号是明确定义的临床工作流程。研究人员必须说明评分超过阈值后会发生什么。
一种有用的流程可能触发高级医师复核、肿瘤科会诊，或结构化的照护目标讨论。该评分不应自动拒绝强化治疗。
评估必须将该流程与常规诊疗进行比较。否则，AUC 的提高仍与实际决策和结局脱节。
研究人员应衡量误报、漏判死亡、响应时间、临床医生接受度，以及对不同患者群体的影响。他们还应记录临床医生何时推翻系统建议。
频繁推翻系统建议可能反映其与临床现实不匹配。相反，选择性且记录充分的推翻行为，可能证明了恰当的人类监督。
第三项信号是透明的模型文档和监测。开发者应发布足够的信息，以便独立评估。
这包括最终特征列表、预处理规则、缺失数据处理方式、模型设置、阈值、校准方法和预期适用人群。提供代码将提升可复现性。
医院还需要制定应对性能漂移的方案。实验室系统、患者群体、编码实践和治疗方案都会变化。
在某一时期有效的模型可能会悄然退化。因此，任何部署后都应持续监测。
这些信号比又一次回顾性 AUC 比较更重要。该领域已经知道，基于树的模型可以从重症监护数据中提取非线性模式。
尚未解决的问题是，这一特定系统是否能带来更安全或更一致的诊疗。这需要当前数据、明确的干预措施和基于结局的评估。
武汉协和结直肠癌死亡率模型值得关注，因为它在三个不同队列中测试了多种算法，也通过特征归因让个体预测更容易被审查。
不过，流传中的 2026 年标题赋予了这项研究其尚未获得的新鲜感和临床就绪度。底层证据来自 2023 年，仍处于开发阶段。
读者应将报告的 0.86 AUC 视为评估的起点，而非结论。外部 MIMIC-IV 结果 0.73 至少同样重要。
对临床医生而言，眼下的行动很明确：在未经本地验证和正式治理的情况下，不要使用已发表模型作出个体治疗决策。
对医疗系统而言，下一个问题不应是能否将 AI 评分添加到仪表板中，而应是针对该评分的明确响应是否能改善诊疗。
对研究人员而言，优先事项是开展具有透明亚组结果的前瞻性多中心测试。只有在模型显示出稳定的实时表现后，才应进行临床试验。
对患者及其家属而言，任何算法估计都应只是更广泛讨论中的一项输入。诊断、可逆性、治疗目标和个人价值观，无法被压缩成一个概率。
该模型已识别出一条可信的研究方向。如今，重点已从预测转向证据：其评分能否在不不公平地限制医疗服务的前提下，支持更优决策？
