预测建模和人工智能(AI)在诊断、风险评估、生活方式管理和家庭监测等广泛的临床领域都有很大的改善医疗的潜力。如果在糖尿病等高发病率和高死亡率的常见慢性病的医疗中得到有效应用，这种人工智能驱动的医疗方法将会产生重大影响。特别是，临床决策支持(CDS)是利用人工智能提供慢性疾病医疗信息的一种很有前景的方法。事实上，基于机器学习(ML)的临床决策支持(CDS)工具已经用于提供药物治疗建议和预测慢性疾病的并发症风险。
尽管基于人工智能的临床决策支持(CDS)有着广阔的前景，但对改善慢病治疗的作用，尤其对治疗选择支持的作用，仍处于初期阶段。要实现这一前景，至少必须克服两个重大难题。
第一个难题是根据真实世界的数据，准确而可靠地预测预期治疗结果。尽管机器学习算法在其它临床领域的应用获得了成功，但随机森林(RF)和梯度提升树(GBT)等机器学习算法在预测治疗结果时可能会导致有偏估计。此外，机器学习方法只能学习在训练数据集中遇到的范式。因此，使用机器学习算法方法生成的模型可能会在新的临床环境中产生意想不到的结果，因而可能是在这些环境中行医的临床医生所不能接受的。
第二个大难题是将人工智能驱动的CDS纳入临床工作流。即使预测模型等基础组件是有效和准确的，但人工智能驱动的临床决策支持系统(CDSS)也可能不适合在繁忙的临床环境中使用，除非它们与临床工作流有效集成。这种与临床工作流和电子病历的集成在理想情况下，应该使用能够大规模部署的技术架构。
本文提出了慢性疾病管理的人工智能驱动的CDS方法，帮助临床医生在工作流中更理性、更自信地选择治疗方法。本文的主要贡献如下：
●提出了一种新的预测方法，即：治疗路径图估计法(TPGE)，该方法利用治疗路径图来预测替代治疗策略实现医疗目标的可能性。在真实世界的电子病历数据集背景下的治疗结果预测任务中，该方法优于基线机器学习模型。
●描述了一种基于标准的方法，使用广泛采用的互操作标准和开源工具将预测模型与电子病历集成在一起。这种集成了电子病历的CDSS有助于临床医生和患者在决定最佳治疗策略时实现共同决策，该策略考虑了预测建模结果和其它相关数据，如成本和副作用情况。
本研究选择2型糖尿病作为目标疾病，因为它具有高发病率和高死亡率，以及与药物治疗相关的当前医疗标准的试错属性。现有的临床指南——美国糖尿病协会(ADA)的糖尿病医疗标准——为药物治疗方案提供了循证指导。然而，由于患者缺乏依从性、临床惰性以及治疗选择的试错法，约有一半的2型糖尿病患者无法实现将糖化血红蛋白(HbA1c)水平控制在7%以下的治疗目标。本研究项目的目标是开发一种集成了电子病历的CDSS，克服上述难题，支持个性化的、人工智能支持的2型糖尿病药物治疗。
项目结果显示，该分析方法在预测精度上优于以往的机器学习算法。CDSS与犹他大学的Epic公司的电子病历成功实现了集成。这里所使用的方法有可能应用于许多其它慢性疾病，从而将人工智能驱动的CDSS带到临床实践中。
如需要《利用人工智能改善慢病医疗：2型糖尿病药物治疗决策支持的方法及应用》（英文，共12页），请在本