重症监护有了一个不用任务标签的生成式数字孪生:13个终点AUROC 0.83–0.98,20个预测器中排第一
核心概要
一个123.5M参数的生成式模型Didymos在五个国家七个重症数据库的409,297例住院上一次性训练,不使用任务标签,靠采样患者未来来回答预测问题。在留出数据上,它从模拟未来读出13个主要终点的AUROC为0.83–0.98,在20个预测器中平均排名第一,包括有标签训练的LightGBM与TabPFN-3.5。它模拟的治疗反应与九项观察对照中的八项一致,但在俄罗斯与中国两家未参与训练的医院,仍需用当地无标签住院做数分钟继续训练才能追平本地有监督模型。
深度剖析
重症监护的预测不再需要为每个结局单独标注、单独训练一个模型:一个生成式模型从模拟出的患者未来里读出风险,覆盖死亡、新发有创通气、升压药启用、肾替代、急性肾损伤等多个终点。 此前重症预测主要依赖有监督模型,每个结局用单一站点定义的标签训练一次,换医院后AUROC有时下降0.2,多库联合训练能缩小差距但未消除;已有的重症生成模型则各自只在单一数据库或医疗系统内训练。 在留出住院上,Didymos对13个主要终点的AUROC为0.831(24小时内高钾血症)到0.982(标志点后24小时内死亡);对LightGBM在13个终点中的12个更高,对TabPFN-3.5在12个中的9个更高,所有不利于Didymos的差异其95%置信区间都包含零。
风险不是靠数模拟未来里事件出现的比例,而是把模型每一步给出的事件概率沿每条模拟未来累加,再对未来取平均。 按比例计数会引入采样噪声,稀有事件尤其明显;预指定分析用32条未来时,Didymos在三个死亡相关终点上落后LightGBM,24小时滚动锚点上差0.062。 这种步风险估计在单条模拟未来上就给出0.81–0.92的AUROC,而计数估计只有0.61–0.66;24小时死亡上,8条按风险读出的未来超过128条计数未来(0.937对0.918)。
模型能模拟治疗开始后的走向,其模拟对照与倾向匹配的观察对照方向一致,但描述的是临床实际做法,不是因果效应。 此前的重症数字孪生很少用观察到的治疗反应来检验,多停留在预测准确度上。 九项预指定反应中八项的模拟对照落在观察对照的95%置信区间内,例如去甲肾上腺素后平均动脉压为−3.3对−3.6 mmHg;胰岛素是例外,真实用药者血糖比匹配者高38.0 mg/dL,模拟为−0.3 mg/dL;空对照臂在0.40–0.55的前缀上与随机无异。
在未参与训练的两家医院,模型零样本迁移后,用当地无标签住院做约7.5 GPU分钟的继续训练即可追平本地有标签训练的模型。 零样本时,Didymos在15个终点–数据库对中超过在七个库上训练的LightGBM的有10对,但在从未见过新库的预测器中平均排名第二(3.80对TabPFN-3.5的3.27);本地有标签LightGBM在15对中的13对领先。 继续训练把新库留出患者的下一词损失从2.10降到1.13 nats/token,七个训练库的损失只上升0.01–0.03;在锁定测试锚点上,适配后模型在13对中的8对超过零样本,最大增益出现在受本地做法影响的结果上,如RICD的ICU住院超过7天(+0.119)与zigongICU的新升压药(+0.125),但没有任何单一差异通过Holm校正。
启示与展望
结果描述的是七个已知数据库的留出患者,迁移与适配只在两家外部医院检验,其中若干终点的事件数少于30。工具包把预测、假设干预、解释、相似患者、队列合成、试验设计与教学病例打包为七项功能,每项输出附带对应分析的证据与告诫。作者提出的下一步包括在新站点做前瞻验证、用更少且暴露更少的无标签住院完成适配、用模型自身样本训练并在各站点内重新校准,以及用试验设计工具重分析已完成的试验。
自由生成会推迟死亡:模拟未来在24小时内只携带真实死亡风险的0.61,前6小时约为一半,短住院中的死亡尤其缺失;作者提出暴露偏差这一解释但未检验。治疗开始被逐步高估,原始O/E为0.46–0.55,事后校准对部分终点过校正。模拟对照继承数据中的混杂,不能当作因果效应。成员推断AUC约0.55,是弱但可测的信号,且审计只针对所测攻击,不等同于形式化保证。适配后的模型在七个库上的成员检验以微弱差距未达预指定界限。主要模拟只用了一个种子,两个死亡终点的标志点样本为病例–队列设计,使试验样本量在那里只是相对值。评分者研究未分析每题用时与资历,预测卡相对LightGBM的增益是估计而非检验。
