呂軍

重癥醫(yī)學(xué)作為現(xiàn)代醫(yī)學(xué)的重要分支，承擔(dān)著危重患者生命支持與器官功能維護(hù)的重任。其臨床實(shí)踐高度依賴于對(duì)生命體征、實(shí)驗(yàn)室檢查結(jié)果、影像學(xué)資料等多模態(tài)數(shù)據(jù)的實(shí)時(shí)分析與精準(zhǔn)解讀。然而，傳統(tǒng)數(shù)據(jù)分析模式存在顯著局限性，大多數(shù)臨床工作者需要同時(shí)掌握數(shù)據(jù)整理、挖掘、可視化和解釋等方面的專業(yè)技能才能妥善利用重癥醫(yī)學(xué)大數(shù)據(jù)，這是不切實(shí)際的。由此可見，數(shù)據(jù)科學(xué)和臨床科學(xué)之間的差距嚴(yán)重制約了重癥醫(yī)學(xué)大數(shù)據(jù)輔助臨床決策的效率。近年來，以大語言模型（LLMs）為代表的人工智能（AI）技術(shù)憑借其強(qiáng)大的自然語言處理、跨模態(tài)融合能力，正在重塑重癥醫(yī)學(xué)大數(shù)據(jù)研究的范式。本文系統(tǒng)梳理了LLMs在重癥醫(yī)學(xué)領(lǐng)域的應(yīng)用現(xiàn)狀、技術(shù)瓶頸及未來發(fā)展趨勢(shì)。

▋一、重癥醫(yī)學(xué)數(shù)據(jù)研究的困境與破局之路▋

（一）數(shù)據(jù)孤島效應(yīng)的深層成因

ICU數(shù)據(jù)具有典型的多源異構(gòu)特征，即每張ICU病床日均產(chǎn)生100 GB數(shù)據(jù)流，包含12導(dǎo)聯(lián)心電圖、連續(xù)腦電監(jiān)測(cè)、機(jī)械通氣參數(shù)、影像掃描、實(shí)驗(yàn)室結(jié)果等十余種數(shù)據(jù)類型。然而，不同醫(yī)療信息系統(tǒng)（HIS）、監(jiān)護(hù)儀、呼吸機(jī)等設(shè)備采用私有協(xié)議，導(dǎo)致數(shù)據(jù)標(biāo)準(zhǔn)化程度不足。以美國重癥監(jiān)護(hù)醫(yī)學(xué)信息數(shù)據(jù)庫（MIMIC-Ⅳ）為例，其數(shù)據(jù)整合耗時(shí)長達(dá)數(shù)年，涉及二十余個(gè)數(shù)據(jù)清洗步驟。這種碎片化的數(shù)據(jù)格局對(duì)重癥大數(shù)據(jù)研究主要造成三大障礙：

1.系統(tǒng)接口壁壘：不同廠商的監(jiān)護(hù)設(shè)備采用健康信息交換第七層協(xié)議（HL7）、快速醫(yī)療互操作性資源（FHIR）等不同通信協(xié)議，數(shù)據(jù)抽取整合成本高昂。

2.語義互操作鴻溝：自由文本病程記錄存在術(shù)語不一致問題，例如“ARDS”可能被表述為“急性呼吸窘迫綜合征”“成人呼吸窘迫癥”等30余種變體。

3.時(shí)空維度割裂：生命體征波形數(shù)據(jù)與實(shí)驗(yàn)室檢查結(jié)果缺乏精確時(shí)間對(duì)齊，影響時(shí)序分析準(zhǔn)確性。

（二）傳統(tǒng)分析范式的效能瓶頸

傳統(tǒng)機(jī)器學(xué)習(xí)模型在重癥醫(yī)學(xué)應(yīng)用中暴露出顯著缺陷：

1. 特征工程依賴性強(qiáng)：簡化急性生理學(xué)評(píng)分Ⅱ（SAPS-Ⅱ）需人工提取24項(xiàng)生理指標(biāo)，耗時(shí)費(fèi)力且易遺漏關(guān)鍵信息。

2. 動(dòng)態(tài)預(yù)測(cè)能力不足：傳統(tǒng)Logistic回歸模型對(duì)膿毒癥預(yù)警的延遲通常大于3 h，錯(cuò)過黃金干預(yù)窗口。

3. 可解釋性缺陷：機(jī)器學(xué)習(xí)的黑箱模型難以滿足臨床對(duì)決策透明度的嚴(yán)苛要求，而美國食品藥品監(jiān)督管理局明確要求醫(yī)療AI需提供可解釋性報(bào)告。

以上問題，在LLMs的席卷之勢(shì)下，有望被逐一解決。

▋二、LLMs驅(qū)動(dòng)的重癥醫(yī)學(xué)三維躍遷▋

（一）臨床決策支持系統(tǒng)的智能化升級(jí)

1.動(dòng)態(tài)風(fēng)險(xiǎn)預(yù)警體系重構(gòu)

Mixtral 8x7B在膿毒癥預(yù)警中展現(xiàn)出不俗潛力，基于其開發(fā)的COMPOSER-LLM模型通過額外整合患者的非結(jié)構(gòu)化數(shù)據(jù)來提高模型的預(yù)測(cè)性能，其靈敏度達(dá)72.1%，陽性預(yù)測(cè)值（PPV）為52.9%，F(xiàn)-1評(píng)分為61.0%，每患者小時(shí)誤報(bào)僅為0.0087次，明顯優(yōu)于獨(dú)立的COMPOSER模型，以及Epic膿毒癥評(píng)分（靈敏度33%，PPV 12%）和TREWS（靈敏度33%，PPV 12%）?；诟咝阅苡?jì)算機(jī)硬件的支持，LLMs實(shí)現(xiàn)動(dòng)態(tài)預(yù)警的優(yōu)勢(shì)也將逐漸凸顯。

2.治療決策的精準(zhǔn)化轉(zhuǎn)型

LLMs在治療決策方面的應(yīng)用在重癥醫(yī)學(xué)領(lǐng)域較為缺乏，但其在其他領(lǐng)域的運(yùn)用可提供參考價(jià)值。例如，一項(xiàng)在胃腸外科領(lǐng)域的研究評(píng)估了多種LLMs在為胃食管反流?。℅ERD）外科治療提供建議方面的準(zhǔn)確性。根據(jù)美國胃腸道和內(nèi)鏡外科醫(yī)生協(xié)會(huì)（SAGES）指南，ChatGPT-4、Copilot、Google Bard和Perplexity分別對(duì)成人GERD外科治療的7個(gè)關(guān)鍵問題（KQ）中，提供了5/7（71.4%）、3/7（42.9%）、6/7（85.7%）的準(zhǔn)確建議；在面向患者的建議方面，四種模型分別為3/5（60.0%）、2/5（40.0%）、4/5（80.0%）和1/5（20.0%）個(gè)KQ提供了準(zhǔn)確答案。LLMs未來在重癥領(lǐng)域的運(yùn)用，會(huì)隨著不斷地迭代升級(jí)而獲得顯著成效。

（二）科研范式的顛覆性重構(gòu)

1.全面的疾病知識(shí)圖譜構(gòu)建

四川大學(xué)華西醫(yī)院團(tuán)隊(duì)使用LLMs（特別是GPT-4.0），借助先進(jìn)的快速工程技術(shù)進(jìn)行實(shí)體識(shí)別和關(guān)系提取，結(jié)合多中心臨床數(shù)據(jù)庫，開發(fā)了一個(gè)全面的膿毒癥知識(shí)圖譜，該圖譜由1894個(gè)節(jié)點(diǎn)和2021個(gè)不同的關(guān)系組成，包括9個(gè)實(shí)體概念（疾病、癥狀、生物標(biāo)志物、影像學(xué)檢查等）和8個(gè)語義關(guān)系（并發(fā)癥、推薦藥物、實(shí)驗(yàn)室檢查等）。構(gòu)建過程高速高效，突顯了LLMs在醫(yī)學(xué)研究中的潛力，并為未來在膿毒癥和其他復(fù)雜疾病的研究設(shè)定了新的基準(zhǔn)。

2.虛擬對(duì)照試驗(yàn)的實(shí)施方法學(xué)突破

美國萊斯大學(xué)研究團(tuán)隊(duì)提出了一種基于LLMs的患者試驗(yàn)匹配方法（LLM-PTM），旨在提升電子健康記錄（EHR）與臨床試驗(yàn)標(biāo)準(zhǔn)之間的兼容性，解決當(dāng)前在數(shù)據(jù)標(biāo)準(zhǔn)化、倫理審查以及系統(tǒng)互操作性方面所面臨的挑戰(zhàn)。該方法通過先進(jìn)的自然語言生成能力，構(gòu)建具備隱私意識(shí)的數(shù)據(jù)增強(qiáng)機(jī)制，在確保敏感患者數(shù)據(jù)的安全性和保密性的同時(shí)，平衡了LLMs的優(yōu)勢(shì)。研究結(jié)果顯示，使用LLM-PTM方法可使試驗(yàn)對(duì)象匹配效率平均提高7.32%，并保證了敏感患者數(shù)據(jù)的安全性和保密性。這種“數(shù)字孿生”技術(shù)不僅有望加速藥物研發(fā)，還可用于罕見病研究，解決樣本量不足的痛點(diǎn)，對(duì)重癥醫(yī)學(xué)領(lǐng)域同樣具有重要的借鑒意義與應(yīng)用前景。

（三）醫(yī)學(xué)教育和患者感受的場(chǎng)景化革命

1.臨床病例題庫的智能化構(gòu)建

基于臨床病例敘事的多項(xiàng)選擇題（MCQ）已被用于評(píng)估醫(yī)學(xué)生的學(xué)習(xí)狀態(tài)，但其編制過程需要耗費(fèi)大量的時(shí)間和精力。而LLMs的出現(xiàn)為此類教育工具的高效開發(fā)提供了新的可能。美國紐約唐納德和芭芭拉·祖克醫(yī)學(xué)院的一項(xiàng)研究中，研究團(tuán)隊(duì)使用結(jié)構(gòu)化提示工程方法，并結(jié)合權(quán)威源文檔和迭代提示鏈接技術(shù)為婦產(chǎn)科住院醫(yī)師自動(dòng)生成臨床病例和MCQ。研究進(jìn)一步評(píng)估住院醫(yī)師和主治醫(yī)師在區(qū)分人工生成內(nèi)容和AI生成內(nèi)容方面的能力，結(jié)果顯示兩者的關(guān)鍵指標(biāo)上無顯著性差異，該研究支持了LLMs在醫(yī)學(xué)教育尤其是重癥醫(yī)學(xué)等臨床學(xué)科中，用于高質(zhì)量教學(xué)內(nèi)容生成的可行性與應(yīng)用前景。

2.對(duì)話式虛擬代理和沉浸式可視化提高患者接受度

機(jī)器人超聲系統(tǒng)具有改善醫(yī)療診斷的潛力，但患者接受度仍然是一個(gè)關(guān)鍵挑戰(zhàn)。為應(yīng)對(duì)這一挑戰(zhàn)，德國慕尼黑大學(xué)團(tuán)隊(duì)開發(fā)了一種全新的系統(tǒng)，基于LLMs虛擬代理與三種混合現(xiàn)實(shí)可視化相結(jié)合，旨在提高患者的舒適度和信任度。該虛擬助理能夠以自然、對(duì)話式的方式與患者交流，以任何形式回答問題，并提供實(shí)時(shí)保證，從而構(gòu)建更智能、更可靠的醫(yī)患交互體驗(yàn)。研究結(jié)果顯示，該系統(tǒng)可顯著提升患者的信任度、接受度與整體舒適感。此類應(yīng)用在重癥醫(yī)學(xué)領(lǐng)域同樣具有廣闊的應(yīng)用前景。

▋?nèi)?、深層次挑?zhàn)：技術(shù)瓶頸與倫理困局的雙重突圍▋

（一）技術(shù)性挑戰(zhàn)的根源剖析

1. 數(shù)據(jù)幻覺現(xiàn)象的機(jī)理探究

幻覺指LLMs生成看似合理但事實(shí)上錯(cuò)誤或缺乏依據(jù)的內(nèi)容，在醫(yī)療場(chǎng)景表現(xiàn)為虛構(gòu)診斷依據(jù)、篡改臨床指南、偽造實(shí)驗(yàn)室指標(biāo)等。區(qū)別于通用領(lǐng)域，醫(yī)療幻覺直接威脅患者安全，具有高隱蔽性（專業(yè)術(shù)語偽裝）和高危害性（延誤治療或不當(dāng)干預(yù)）。這種虛構(gòu)可能源于數(shù)據(jù)層缺陷、模型架構(gòu)局限、評(píng)估標(biāo)準(zhǔn)失配，以及模型對(duì)醫(yī)學(xué)知識(shí)的過度泛化等。例如，將其他科室的檢測(cè)常規(guī)錯(cuò)誤應(yīng)用于ICU場(chǎng)景，從而引發(fā)不適當(dāng)?shù)耐扑]。研究者發(fā)現(xiàn)，通過引入檢索增強(qiáng)（RAG）耦合統(tǒng)一醫(yī)學(xué)語言系統(tǒng)（UMLS）醫(yī)學(xué)知識(shí)圖譜進(jìn)行實(shí)時(shí)校驗(yàn)等技術(shù)方法，可以在一定程度上降低幻覺的發(fā)生率。

2. 多模態(tài)對(duì)齊的技術(shù)難題

多模態(tài)數(shù)據(jù)因模態(tài)異構(gòu)性、數(shù)據(jù)不平衡、語義鴻溝等核心難點(diǎn)而難以對(duì)齊，需通過LLMs集合統(tǒng)一投影構(gòu)架、漸進(jìn)式多模態(tài)對(duì)齊、數(shù)據(jù)增強(qiáng)與平衡、嵌入對(duì)齊、指令微調(diào)與人類反饋等技術(shù)來進(jìn)行對(duì)齊，還需不斷地迭代升級(jí)整個(gè)流程，以達(dá)到較為滿意的目標(biāo)。

（二）倫理與監(jiān)管的跨國博弈

1. 隱私保護(hù)的技術(shù)突圍

聯(lián)邦學(xué)習(xí)的核心思路是“數(shù)據(jù)不出本地，僅交換模型參數(shù)”，其為多中心數(shù)據(jù)協(xié)作提供了新的思路。例如eICU合作研究數(shù)據(jù)庫（eICU-CRD），該數(shù)據(jù)庫由Pollard等于2018年首次發(fā)布，覆蓋了美國208家醫(yī)院20余萬例患者的重癥監(jiān)護(hù)數(shù)據(jù)。eICU-CRD廣泛用于聯(lián)邦學(xué)習(xí)研究中，允許醫(yī)院在不共享原始數(shù)據(jù)的情況下協(xié)作訓(xùn)練模型。

2. 責(zé)任界定框架的構(gòu)建困境

歐盟AI法案將部分醫(yī)療領(lǐng)域AI系統(tǒng)（包含LLMs相關(guān)系統(tǒng)，如ICU場(chǎng)景中的生命支持決策工具）明確列為高風(fēng)險(xiǎn)類別，要求技術(shù)文檔、質(zhì)量管理文件、符合性聲明等關(guān)鍵材料存證達(dá)10年以上，這無疑為存儲(chǔ)與計(jì)算資源帶來了巨大的負(fù)擔(dān)。然而，當(dāng)前中國AI醫(yī)療器械的監(jiān)管框架（如2022年發(fā)布的《人工智能醫(yī)療器械注冊(cè)審查指導(dǎo)原則》）還未將動(dòng)態(tài)決策類模型納入規(guī)范管理范圍內(nèi)。

▋四、未來展望：邁向智能重癥的進(jìn)階路徑▋

（一）下一代模型的技術(shù)路線

1. 多模態(tài)大模型的深度融合

在“大數(shù)據(jù)+大算力+強(qiáng)算法”的推動(dòng)下，醫(yī)學(xué)領(lǐng)域的多模態(tài)LLMs快速發(fā)展，如Medical mT5、EpiSemoGPT、Polaris、DeepDR-LLM、Med-Gemini、Med-Flaming、FairCLIP等，為通用、專病醫(yī)療大模型的進(jìn)步提供了新的可能，從診斷輔助到治療方案推薦等環(huán)節(jié)都在推動(dòng)著診療服務(wù)的全流程優(yōu)化。如DeepMind 開發(fā)的Med-Gemini系列模型，其整合醫(yī)學(xué)影像與臨床文本數(shù)據(jù)等功能在疾病診斷方面發(fā)揮著重要作用。同樣地，在重癥醫(yī)學(xué)領(lǐng)域，未來也將會(huì)產(chǎn)生優(yōu)秀的多模態(tài)LLMs為危重患者的精準(zhǔn)診療和個(gè)體化管理帶來切實(shí)益處。

2. 邊緣計(jì)算與輕量化部署

DeepSeek的橫空出世，宣告模型壓縮技術(shù)取得了突破性進(jìn)展，未來的LLMs也可以通過通道剪枝與知識(shí)蒸餾技術(shù)，將參數(shù)量大力壓縮，使圖形處理器顯存占用量下降，同時(shí)不顯著降低模型性能，滿足床旁終端部署等需求。

（二）臨床-技術(shù)融合生態(tài)的構(gòu)建

1. 動(dòng)態(tài)知識(shí)庫的閉環(huán)更新

LLMs通過實(shí)時(shí)對(duì)接WHO指南庫、UpToDate臨床顧問等醫(yī)學(xué)知識(shí)源，可在數(shù)秒內(nèi)完成指南更新同步。更重要的創(chuàng)新在于建立“指南-數(shù)據(jù)”雙向驗(yàn)證機(jī)制，新指南需通過歷史數(shù)據(jù)回溯測(cè)試方可生效，實(shí)現(xiàn)了循證醫(yī)學(xué)與數(shù)據(jù)驅(qū)動(dòng)的深度融合。

2. 人機(jī)協(xié)同決策機(jī)制的創(chuàng)新

Mayo Clinic團(tuán)隊(duì)開發(fā)的HybridCare系統(tǒng)，創(chuàng)造性地引入“跨場(chǎng)景協(xié)同護(hù)理”和“多學(xué)科團(tuán)隊(duì)協(xié)作”的機(jī)制。這是一種整合院內(nèi)專業(yè)醫(yī)療與遠(yuǎn)程家庭護(hù)理的創(chuàng)新模式，旨在通過多學(xué)科協(xié)作和數(shù)字技術(shù)提升患者救治效率與救治體驗(yàn)。該系統(tǒng)可組織內(nèi)科、老年醫(yī)學(xué)科、康復(fù)治療科等多學(xué)科專家聯(lián)合診療，由專人通過人機(jī)協(xié)同負(fù)責(zé)，協(xié)調(diào)資源分配與制定隨訪計(jì)劃，使患者從入院到家庭護(hù)理的過渡時(shí)間大幅度縮短，團(tuán)隊(duì)決策響應(yīng)速度更是提升至24 h內(nèi)。

▋五、結(jié)語：以智慧之光點(diǎn)亮重癥醫(yī)學(xué)的未來▋

在AI與生命科學(xué)交匯的歷史節(jié)點(diǎn)上，LLMs正以前所未有的力量重塑重癥醫(yī)學(xué)的認(rèn)知邊界與實(shí)踐范式。本文所勾勒的技術(shù)圖景——從動(dòng)態(tài)預(yù)警的精度躍升到知識(shí)圖譜的認(rèn)知革命，從虛擬試驗(yàn)的范式突破到人機(jī)協(xié)同的生態(tài)構(gòu)建——既是對(duì)傳統(tǒng)醫(yī)療范式的解構(gòu)，更是對(duì)“以人為本”醫(yī)學(xué)本質(zhì)的回歸。當(dāng)LLMs能精準(zhǔn)解析多模態(tài)數(shù)據(jù)中的生死時(shí)速，當(dāng)虛擬代理能彌合醫(yī)患溝通的文化鴻溝，我們看到的不僅是技術(shù)的迭代，更是對(duì)生命價(jià)值的全新詮釋。

然而，技術(shù)的光明前景永遠(yuǎn)伴隨著陰影。數(shù)據(jù)幻覺的幽靈徘徊在診斷決策的邊緣，隱私保護(hù)的屏障亟待全球協(xié)作的加固，而倫理框架的缺失如同懸在頭頂?shù)倪_(dá)摩克利斯之劍。這要求我們?cè)趽肀Ъ夹g(shù)革新的同時(shí)，更要堅(jiān)守醫(yī)學(xué)的溫度：在算法的冰冷邏輯中植入人文關(guān)懷的基因，在追求預(yù)測(cè)精度的同時(shí)守護(hù)臨床決策的可解釋性，在推進(jìn)全球技術(shù)共治中構(gòu)建數(shù)字時(shí)代的醫(yī)學(xué)倫理新秩序。

站在智能重癥的門檻前，我們比任何時(shí)候都更需要臨床醫(yī)生與技術(shù)工程師的深度對(duì)話，讓醫(yī)學(xué)思維引導(dǎo)算法設(shè)計(jì)，讓臨床痛點(diǎn)定義技術(shù)創(chuàng)新。或許正如沃森與人類的圍棋對(duì)弈所示——真正的智能不是零和博弈，而是人機(jī)共生下的智慧涌現(xiàn)。當(dāng)LLMs不再是冷冰冰的工具，而成為臨床醫(yī)生延伸的認(rèn)知觸角、患者生命的數(shù)字守護(hù)者，我們終將在數(shù)據(jù)洪流中錨定醫(yī)學(xué)的本質(zhì)：以科學(xué)的嚴(yán)謹(jǐn)守護(hù)生命的溫度，以技術(shù)的進(jìn)步詮釋人性的光輝。

（作者：暨南大學(xué)護(hù)理學(xué)院 李欣雅 暨南大學(xué)附屬第一醫(yī)院臨床研究部 呂軍）