預測未來、預知生死，用AI演算法測算生死的準確率已高達95％！

孔子曰：「未知生，焉知死」，在中國的傳統文化中，人們是很排斥談論死亡的。那是因為在古代，戰亂、貧瘠，加上落後的醫療條件，使得死亡離得很近、長壽很遠。而據世界衛生組織統計，2015年全球人均壽命為71.4周歲，人均壽命最長的是日本，達到83.4周歲。70歲已經不再「古稀」。

生也有涯：四大因素決定生命長度

世界衛生組織對生命影響因素進行了量化，認為遺傳和心理、環境、衛生服務及個人行為與生活方式4中因素決定了個體的壽命，權重佔比分別為15%、17%、8%和60%。這個結果頗讓人意外，一直以來，人們習慣於依賴遺傳因素和醫療水平做出個體壽命的判斷，而事實上個人行為與生活方式對壽命起著更為關鍵的作用。

圖片由動脈網根據世界衛生組織數據整理

現在看來，老子在2000多年前所說的，「我命在我，不屬天地。」不乏科學依據。而這無疑為準確的死亡預測增加了難度，AI、大數據等創新技術適時顯示出優勢。

未知死，焉知生：AI死亡預測服務臨床實踐

Tikker：首款「死亡手錶」

Tikker是一款智能手錶，因為聲稱能夠準確預測用戶的死亡時間，而獲得了「死亡手錶」的綽號。Tikker由瑞典作家和發行商弗雷德里克·科爾汀在2013年發布，根據用戶的年齡、性別、以及病史等計算出用戶的預期壽命，然後再測算出用戶最終的死亡時間。

實際上，Tikker的演算法相對簡單，預測準確度也很低，主要是向用戶提供一種娛樂功能。科爾汀表示，如果我們能夠更清楚地了解我們自己的壽命，那麼我們在活著的時間，就一定能夠更好地選擇自己的生活。

圖片來自Tikker官網

Tikker的界面與普通手錶不同，由三層構成，上兩層顯示用戶在世上還能存活的年份、月數、天數、小時數、分鐘數和秒數，最下一層顯示用戶關注這些事件時的真實時間。

超級計算機預測死亡，準確率高達96%

2015年9月，美國媒體曾報道過一則新聞，稱波士頓市貝斯以色列女執事醫療中心的研究人員開發出一種超級計算機系統，可預測患者死亡時間，準確率高達96%。

圖片來自貝斯以色列女執事醫療中心官網

貝斯以色列女執事醫療中心將病人的監控器與其超級計算機系統相連，從而比人類醫生更好地診斷病情。這台超級計算機載入了過去30年間超過25萬名患者的信息，形成專門的資料庫以幫助醫生更快做出診斷。

超級計算機系統每隔3分鐘收集一次病人數據，包括從氧氣含量到血壓的各種生命數據。通過分析數據，計算機可以發現病人是否處於危險中。這種快速疾病診斷系統可幫助快速治療，具有拯救生命、預測患者死亡時間的巨大潛力。

AI走進ICU，死亡預測準確率93%

洛杉磯兒童醫院設有名為「虛擬PICU」的醫院研究部門，Melissa Aczon和David Ledbetter是其中的數據科學家，他們與臨床醫生合作，提出了一種AI系統，後者可以讓醫生們更好地了解哪些孩子的病情可能會惡化。

圖片來自洛杉磯兒童醫院官網

Aczon和Ledbetter從醫院電子健康記錄中獲取超過12000名PICU患者的生命體征數據（這些通常每隔幾分鐘更新一次）、已有的實驗室檢測結果、用藥信息和執行的治療方案等。隨後，他們利用循環神經網路（RNN）機器學習程序發現數據中的相關規律，並成功識別出了即將死亡的患者。RNN方法擅長處理持續的數據序列，而不是從某一個時刻的數據點直接得出結論，能夠隨著時間的推移，根據病人最近12小時的臨床數據，做出最準確的預測。

目前，該程序尚處於實驗階段，據統計，其預測死亡的準確率達到93％，明顯比目前在醫院PICU中使用的簡單評級系統表現更好。Aczon和Ledbetter在Arxiv上發表了相關論文，公布了他們的研究成果。

深度學習圖像分析技術確定患者壽命，準確率69%

阿德萊德大學的盧克·奧克登·雷納及其團隊將機器學習方法應用在CT掃描圖像上，以此預測患者死亡率。他們的研究成果已經發表在《自然》旗下期刊《科學報告》上。雷納的團隊通過「現成的機器學習方法」，利用患者的主要器官和胸部組織CT圖像，分析卷積神經網路來預測哪些患者會在5年內死亡，準確度達到了69%，可以和臨床醫生的「人工」預測媲美。

圖片來自阿德萊德大學官網

研究表明，該系統學會識別各種疾病的外觀，而這是人類專家需要進行廣泛培訓才能掌握的東西。儘管研究人員難以確定這個系統在圖像中「看到」了哪些用來預測的關鍵因素，但是該系統最擅長於預測的是嚴重慢性疾病患者的死亡率，比如肺氣腫和充血性心力衰竭患者。

目前，囿於文件尺寸和計算機顯存，雷納團隊僅分析了一個小型的CT掃描圖像數據集。雷納表示，未來可能會藉助阿德萊德大學的高性能計算集群，將分析擴展到數以萬計的圖像上，並納入其他信息，例如患者的年齡和性別等。

「死亡演算法」：優化臨終關懷，預測準確率90%

2016年底，斯坦福大學計算機科學系研究生Anand Avati和醫學院的一個團隊選擇約20萬名患者作為學習樣本，以院內醫療記錄作為主要參數，試圖開發一種演算法，在考量包括癌症、神經系統疾病、心臟病和腎臟衰竭等多種疾病的基礎上，確定時日無多病患的壽命，被稱為「死亡演算法」。

圖片來自斯坦福大學官網

在臨床上，患者死亡前3-12個月是提供臨終關懷的黃金時期。Avati他們所作的就是識別出那些處於這一「死亡時間段」的患者，從而幫助醫生採用更合適、更人道的醫療干預措施。他們搜集醫生已經編碼的醫學信息，包括病人診斷說明、預定掃描次數、在醫院裡度過的天數、所做的各種治療、醫療處方等，輸入到深度神經網路中，調整每條信息的權重和強度，最終生成一個給定患者在3到12個月內死亡的概率分數。

「死亡演算法」首先從近16萬名患者身上採集信息進行自我訓練，完成數據學習後，Avati他們對剩下的4萬名患者進行了測試。結果表明錯誤率很低，演算法認為會在3到12個月內死亡的患者中，90%都得到了應驗。演算法認為存活期超過一年的患者，95％存活超過12個月。

2017年11月，在IEEE國際生物信息學與生物醫學大會上，Avati對此項研究進行了報告。

Google AI：利用電子病歷預測患者住院死亡率，準確率95%

2018年6月，Google宣布研究人員開發了一種人工智慧網路，能夠利用整個病人電子病歷的原始數據，包括患者的病史、放射學結果及醫者筆記，預測其住院期間的疾病過程和死亡風險，比以前的方法更加準確。

圖片來自fiercebiotech

Google模型深度學習了超過114000名至少在加利福尼亞大學、舊金山大學或者芝加哥大學住院一天的成年患者的超過216000份匿名電子病歷，通過ICD-9代碼預測了患者死亡率、再入院和長期住院風險以，並做出出院診斷。其中，Google模型預測患者住院死亡風險的準確率為95％，虛假報警率遠低於傳統的回歸模型。

這個模型的特點是開發了一種通用數據處理流水線，將原始數據作為輸入，無需調整電子病曆數據，並將其映射到傳統模型的變數上，從而能夠將來自醫生和護士的自由文本臨床記錄以及其他結構較不完整的數據納入考量，數據規模達460億級，但工作量只及傳統方法的20%。

向死而生：AI死亡預測引爭議

生老病死，每個人都在遵循不同的軌跡，卻朝著同樣的方向度過一生，每一步都是未知。但當機器的智慧將人的壽命從未知數變成已知條件時，很多人反對。反對者的論點圍繞著「知情權」展開。

一是患者的知情權。誠然，患者對自己的身體狀況擁有知情權。但反對者認為，當患者的生命時長所剩無幾時，「不知情權」高於「知情權」。他們可能需要善意的謊言去保持樂觀的心態，而後者可能會反過來延長生命。此外，AI死亡預測準確率畢竟無法達到100%，反對者擔心虛假的死亡信號會「嚇垮」已經在苟延殘喘的患者。

二是機器的知情權。反對者認為這種知情權侵犯了患者的隱私權。在AI領域，數據權利是一個繞不開的話題。目前，AI死亡預測都是在患者不知情的情況下進行，這是否對患者構成了數據侵權，答案似乎是肯定的。

然而，預測未來、預知生死，是人類數千年沒有放棄過的嘗試。這種存在，不無其合理性。

一方面，未雨綢繆。ECRI研究所是一家為醫療保健行業評估醫療程序、設備和藥物的非營利機構，其研究人員表示，很多醫院都希望開發早期預警系統，來預測膿毒症、心臟驟停和呼吸停止等威脅生命事件的發生。

另一方面，減少資源浪費。例如，有研究表明，近8成美國人寧願在家中度過生命的最後日子，而不是醫療器械的包圍下。在斯坦福大學的案例中，研究人員將死亡前3個月-12個月作為「死亡時間段」，超過12個月的臨終關務可能會造成不必要的資源浪費，形成供應緊張。準確的死亡預測能夠幫助醫者更精準地投放醫療服務。

我們相信，人類有向死而生的決心，儘管有不完美之處，日趨準確的AI死亡預測是患者和醫者的福音。隨著AI演算法的演進，死亡預測實際上已經走進了臨床醫療場景，未來更有可能在其中扮演不可或缺的角色。對此，動脈網將持續關注。

喜歡這篇文章嗎？立刻分享出去讓更多人知道吧！