犹他大学研究人员开发可解释AI工具包以预测疾病在症状出现前

犹他州盐湖城——犹他大学精神病学系和亨茨曼心理健康研究所的研究人员今天发表了一篇论文，介绍了一种名为_RiskPath_的开源软件工具包。该工具包利用可解释的人工智能（XAI）技术，在症状出现前几年预测个体是否会患上进行性和慢性疾病，有可能彻底改变预防性医疗的提供方式。XAI是一种能够以人类可以理解的方式解释复杂决策的人工智能系统。

这项新技术通过分析多年收集的健康数据，以前所未有的85-99%的准确率识别出高风险个体，从而在疾病预测和预防方面取得了重大进展。目前的医学预测系统对于纵向数据的准确性通常只能达到一半到四分之三。与现有的纵向数据预测系统不同，RiskPath使用先进的时序AI算法，并使其可解释，从而提供全面的模型，揭示风险因素如何相互作用并在疾病发展过程中重要性如何变化。

“慢性、进行性疾病占了超过90%的医疗费用和死亡率。通过在症状出现之前或疾病早期阶段识别高风险个体，并确定在不同生命阶段哪些风险因素最重要，我们可以制定更有针对性和更有效的预防策略。预防性医疗可能是目前最重要的医疗方面，而不仅仅是治疗已经出现的问题。” Nina de Lacy MBA, MD

研究团队通过对三个大型长期患者队列中的数千名参与者进行验证，成功预测了八种不同的疾病，包括抑郁症、焦虑症、多动症、高血压和代谢综合征。该技术具有以下几项关键优势：

• 增强对疾病进展的理解： RiskPath可以绘制不同风险因素在时间上的重要性变化图，揭示关键的干预窗口。例如，研究表明，随着儿童接近青春期，屏幕时间和执行功能成为多动症越来越重要的风险因素。

• 简化风险评估： 尽管RiskPath可以分析数百个健康变量，但研究人员发现，大多数疾病可以通过仅使用10个关键因素进行预测，这使得其在临床环境中的实施更加可行。

• 实用的风险可视化： 该系统提供了直观的可视化图表，显示一个人生命中哪些时间段对疾病风险贡献最大，帮助研究人员确定最佳的预防干预时机。

研究团队目前正在探索如何将RiskPath整合到临床决策支持系统、预防保健计划以及精神疾病的神经基础研究中。他们还计划扩展研究范围，包括更多疾病和多样化的人群。

关于RiskPath的完整研究发表在《CellPress Patterns》杂志的4月刊上。该研究由犹他大学精神病学系的Nina de Lacy, MD, Michael Ramshaw 和 Wai Yin Lam领导。De Lacy还是One-U负责任AI倡议执行委员会的成员。该研究得到了美国国立精神卫生研究所的支持。

(全文结束)