意外发现（Chroneme）

本周的意外发现。大多数临床 AI 模型还没进入第二家医院就停滞了。Epic 的脓毒症模型就是教科书式的例子。它是美国部署最广泛的临床 AI 工具之一，在数百家医院运行。它被宣传为一种能在患者发生脓毒症数小时前就向医生预警的手段。

2021年，密歇根的一个团队对它进行了独立测试，并将结果发表在 JAMA Internal Medicine 上。该模型只捕捉到三分之一的脓毒症病例，标记了大约五分之一的住院病例，准确率比 Epic 自己报告的低了13到20个百分点。

这并不罕见。这种现象有个名字：跨数据库崩溃。模型学会的是一个机构如何记录数据，一旦遇到另一个机构，它的优势就荡然无存。

我建立 Chroneme，基于的是一个不同的前提。一个读取身体随时间实际如何变化、而不是医院如何记录这些变化的系统，应该能够在医院之间迁移。而且它不应该局限于一种病症。Epic 预测脓毒症。Chroneme 读取的是轨迹，所以同一个引擎可以标记出任何严重到需要血管加压药、气管插管或透析的病情恶化。

我在两个庞大且完全独立的 ICU 数据库上测试了它。不同的医院，不同的电子健康记录系统，不同的年代。两边的结果相差不到半个百分点。在临床 AI 中，跨数据库一致性这么高的情况很少见，尤其是对于一个在任何干预之前就进行测量的复合结局。崩溃不是自然法则。它是大多数模型构建方式的一种属性。Chroneme 表明，还有另一条路。

半个百分点的差距之所以重要，是因为它把什么从方程里去掉了。大多数临床 AI 在每一个新地点都要重新验证、重新调参，有时还要重新训练。正是这种成本，让好模型停滞不前。如果一个系统能在不同的医院、电子健康记录系统和年代之间保持准确率，部署工作的形态就会改变。监管机构可以只评估一次。医疗体系可以在它之上构建，而不必重建它。临床 AI 的天花板一直是泛化能力。Chroneme 表明，这个天花板是可以移动的。

如果你从事临床 AI，告诉我这在哪里站不住脚。

((Z))