预测未来、预知生死，用AI算法测算生死的准确率已高达95%！

　　孔子曰：“未知生，焉知死”，在中国的传统文化中，人们是很排斥谈论死亡的。那是因为在古代，战乱、贫瘠，加上落后的医疗条件，使得死亡离得很近、长寿很远。

　　而据世界卫生组织统计，2015年全球人均寿命为71.4周岁，人均寿命最长的是日本，达到83.4周岁。70岁已经不再“古稀”。

　　人们开始理性地谈论死亡，甚至思考、分析它。近日，动脉网获悉，Google研究人员开发了一种AI网络，通过分析预测患者住院期间的疾病过程，能够预测其在特定时点的死亡风险，准确率达到95%。

　　多年来，各国科学家不断尝试利用数据、算法来预测死亡，准确率也不断提高，动脉网对此进行了梳理。

　　生也有涯：四大因素决定生命长度

　　世界卫生组织对生命影响因素进行了量化，认为遗传和心理、环境、卫生服务及个人行为与生活方式4中因素决定了个体的寿命，权重占比分别为15%、17%、8%和60%。

　　这个结果颇让人意外，一直以来，人们习惯于依赖遗传因素和医疗水平做出个体寿命的判断，而事实上个人行为与生活方式对寿命起着更为关键的作用。

　　现在看来，老子在2000多年前所说的，“我命在我，不属天地。”不乏科学依据。而这无疑为准确的死亡预测增加了难度，AI、大数据等创新技术适时显示出优势。

　　未知死，焉知生：AI死亡预测服务临床实践

　　Tikker：首款“死亡手表”

　　Tikker是一款智能手表，因为声称能够准确预测用户的死亡时间，而获得了“死亡手表”的绰号。

　　Tikker由瑞典作家和发行商弗雷德里克·科尔汀在2013年发布，根据用户的年龄、性别、以及病史等计算出用户的预期寿命，然后再测算出用户最终的死亡时间。

　　实际上，Tikker的算法相对简单，预测准确度也很低，主要是向用户提供一种娱乐功能。科尔汀表示，如果我们能够更清楚地了解我们自己的寿命，那么我们在活着的时间，就一定能够更好地选择自己的生活。

　　Tikker的界面与普通手表不同，由三层构成，上两层显示用户在世上还能存活的年份、月数、天数、小时数、分钟数和秒数，最下一层显示用户关注这些事件时的真实时间。

　　超级计算机预测死亡，准确率高达96%

　　2015年9月，美国媒体曾报道过一则新闻，称波士顿市贝斯以色列女执事医疗中心的研究人员开发出一种超级计算机系统，可预测患者死亡时间，准确率高达96%。

　　贝斯以色列女执事医疗中心将病人的监控器与其超级计算机系统相连，从而比人类医生更好地诊断病情。这台超级计算机加载了过去30年间超过25万名患者的信息，形成专门的数据库以帮助医生更快做出诊断。

　　超级计算机系统每隔3分钟收集一次病人数据，包括从氧气含量到血压的各种生命数据。通过分析数据，计算机可以发现病人是否处于危险中。这种快速疾病诊断系统可帮助快速治疗，具有拯救生命、预测患者死亡时间的巨大潜力。

　　AI走进ICU，死亡预测准确率93%

　　洛杉矶儿童医院设有名为“虚拟PICU”的医院研究部门，Melissa Aczon和David Ledbetter是其中的数据科学家，他们与临床医生合作，提出了一种AI系统，后者可以让医生们更好地了解哪些孩子的病情可能会恶化。[page]分页标题[/page]

　　Aczon和Ledbetter从医院电子健康记录中获取超过12000名PICU患者的生命体征数据（这些通常每隔几分钟更新一次）、已有的实验室检测结果、用药信息和执行的治疗方案等。

　　随后，他们利用循环神经网络（RNN）机器学习程序发现数据中的相关规律，并成功识别出了即将死亡的患者。

　　RNN方法擅长处理持续的数据序列，而不是从某一个时刻的数据点直接得出结论，能够随着时间的推移，根据病人最近12小时的临床数据，做出最准确的预测

　　目前，该程序尚处于实验阶段，据统计，其预测死亡的准确率达到93%，明显比目前在医院PICU中使用的简单评级系统表现更好。Aczon和Ledbetter在Arxiv上发表了相关论文，公布了他们的研究成果。

　　深度学习图像分析技术确定患者寿命，准确率69%

　　阿德莱德大学的卢克·奥克登·雷纳及其团队将机器学习方法应用在CT扫描图像上，以此预测患者死亡率。他们的研究成果已经发表在《自然》旗下期刊《科学报告》上。

　　雷纳的团队通过“现成的机器学习方法”，利用患者的主要器官和胸部组织CT图像，分析卷积神经网络来预测哪些患者会在5年内死亡，准确度达到了69%，可以和临床医生的“人工”预测媲美。

　　研究表明，该系统学会识别各种疾病的外观，而这是人类专家需要进行广泛培训才能掌握的东西。尽管研究人员难以确定这个系统在图像中“看到”了哪些用来预测的关键因素，但是该系统最擅长于预测的是严重慢性疾病患者的死亡率，比如肺气肿和充血性心力衰竭患者。

　　目前，囿于文件尺寸和计算机显存，雷纳团队仅分析了一个小型的CT扫描图像数据集。雷纳表示，未来可能会借助阿德莱德大学的高性能计算集群，将分析扩展到数以万计的图像上，并纳入其他信息，例如患者的年龄和性别等。

　　“死亡算法”：优化临终关怀，预测准确率90%

　　2016年底，斯坦福大学计算机科学系研究生Anand Avati和医学院的一个团队选择约20万名患者作为学习样本，以院内医疗记录作为主要参数，试图开发一种算法，在考量包括癌症、神经系统疾病、心脏病和肾脏衰竭等多种疾病的基础上，确定时日无多病患的寿命，被称为“死亡算法”。

　　在临床上，患者死亡前3-12个月是提供临终关怀的黄金时期。Avati他们所作的就是识别出那些处于这一“死亡时间段”的患者，从而帮助医生采用更合适、更人道的医疗干预措施。

　　他们搜集医生已经编码的医学信息，包括病人诊断说明、预定扫描次数、在医院里度过的天数、所做的各种治疗、医疗处方等，输入到深度神经网络中，调整每条信息的权重和强度，最终生成一个给定患者在3到12个月内死亡的概率分数。

　　“死亡算法”首先从近16万名患者身上采集信息进行自我训练，完成数据学习后，Avati他们对剩下的4万名患者进行了测试。结果表明错误率很低，算法认为会在3到12个月内死亡的患者中，90%都得到了应验。算法认为存活期超过一年的患者，95%存活超过12个月。[page]分页标题[/page]

　　2017年11月，在IEEE国际生物信息学与生物医学大会上，Avati对此项研究进行了报告。

　　Google AI：利用电子病历预测患者住院死亡率，准确率95%

　　2018年6月，Google宣布研究人员开发了一种人工智能网络，能够利用整个病人电子病历的原始数据，包括患者的病史、放射学结果及医者笔记，预测其住院期间的疾病过程和死亡风险，比以前的方法更加准确。

　　Google模型深度学习了超过114000名至少在加利福尼亚大学、旧金山大学或者芝加哥大学住院一天的成年患者的超过216000份匿名电子病历，通过ICD-9代码预测了患者死亡率、再入院和长期住院风险以，并做出出院诊断。

　　其中，Google模型预测患者住院死亡风险的准确率为95%，虚假报警率远低于传统的回归模型。

　　这个模型的特点是开发了一种通用数据处理流水线，将原始数据作为输入，无需调整电子病历数据，并将其映射到传统模型的变量上，从而能够将来自医生和护士的自由文本临床记录以及其他结构较不完整的数据纳入考量，数据规模达460亿级，但工作量只及传统方法的20%。

　　向死而生：AI死亡预测引争议

　　生老病死，每个人都在遵循不同的轨迹，却朝着同样的方向度过一生，每一步都是未知。但当机器的智慧将人的寿命从未知数变成已知条件时，很多人反对。反对者的论点围绕着“知情权”展开。

　　一是患者的知情权。诚然，患者对自己的身体状况拥有知情权。但反对者认为，当患者的生命时长所剩无几时，“不知情权”高于“知情权”。他们可能需要善意的谎言去保持乐观的心态，而后者可能会反过来延长生命。

　　此外，AI死亡预测准确率毕竟无法达到100%，反对者担心虚假的死亡信号会“吓垮”已经在苟延残喘的患者。

　　二是机器的知情权。反对者认为这种知情权侵犯了患者的隐私权。在AI领域，数据权利是一个绕不开的话题。目前，AI死亡预测都是在患者不知情的情况下进行，这是否对患者构成了数据侵权，答案似乎是肯定的。

　　然而，预测未来、预知生死，是人类数千年没有放弃过的尝试。这种存在，不无其合理性。

　　一方面，未雨绸缪。ECRI研究所是一家为医疗保健行业评估医疗程序、设备和药物的非营利机构，其研究人员表示，很多医院都希望开发早期预警系统，来预测脓毒症、心脏骤停和呼吸停止等威胁生命事件的发生。

　　另一方面，减少资源浪费。例如，有研究表明，近8成美国人宁愿在家中度过生命的最后日子，而不是医疗器械的包围下。

　　在斯坦福大学的案例中，研究人员将死亡前3个月-12个月作为“死亡时间段”，超过12个月的临终关务可能会造成不必要的资源浪费，形成供应紧张。准确的死亡预测能够帮助医者更精准地投放医疗服务。

　　我们相信，人类有向死而生的决心，尽管有不完美之处，日趋准确的AI死亡预测是患者和医者的福音。随着AI算法的演进，死亡预测实际上已经走进了临床医疗场景，未来更有可能在其中扮演不可或缺的角色。对此，动脉网将持续关注。 

    本文首发于微信公众号：动脉网。文章内容属作者个人观点，不代表和讯网立场。投资者据此操作，风险请自担。