【微动态】张政波、周飞虎教授团队在国际知名期刊发表新成果，破解老年危重症AI模型跨人群部署难题

近日，解放军总医院医学创新研究部张政波教授团队、第一医学中心周飞虎教授团队联合浙江大学章仲恒教授团队，在国际知名Nature系列期刊《npj Digital Medicine》（影响因子18.0，中科院一区TOP）发表《Multicenter validation and updating of the ELDER-ICU model for severity assessment in elderly critical illness》最新研究成果。该研究提出应用场景自适应模型更新策略，助力老年危重症风险预测模型实现跨人群临床部署。

模型泛化受人群差异影响

亟需跨人群验证

随着全球人口老龄化，老年危重症患者的精准风险分层已成为重症医学的重要挑战。然而，绝大多数面向老年危重症患者的机器学习预测模型缺乏严格的跨人群外部验证，当模型在全新人群和临床环境中出现性能衰减时，如何系统选择更新策略，尚缺乏量化比较依据。

该研究以前期团队发表于Lancet Digital Health的ELDER-ICU模型为具体实例，利用涵盖美国四个地区、欧洲奥地利、亚洲韩国和中国的12个国际重症监护中心数据，对其进行大规模跨人群外部验证，并系统量化评估了三种模型更新策略：再校准（Platt缩放和等渗回归）、增量训练（在原始模型基础上用新数据微调）、完全重训练（基于原始模型架构，利用新数据重新训练）。

按偏移程度选策略

为模型本地化应用提供解决方案

结果显示，模型在美国和奥地利表现稳健，但在亚洲显著下降。增量训练可改善各中心性能，而完全重训练在韩国和中国提升更为显著；再校准提高了模型校准度，更新后的模型在各人群中均有更高临床净获益，尤以中国完全重训练模型最佳。不同人群的基线特征、结局发生率及预测变量差异，是导致模型鲁棒性下降的主要原因。研究建议：对于与原训练集相似的环境，再校准即可满足需求；对于存在中等程度偏移且有足够新数据的环境，增量训练更为适宜；对于临床或人口学特征发生根本性转变的环境，完全重训练是必要的。这为危重症机器学习模型动态维护与本地化部署提供了可操作方法。

深耕急危重症AI

高水平成果持续涌现

据了解，张政波教授团队长期深耕急危重症人工智能辅助诊疗决策领域，坚持理工医信多学科交叉融合创新，与麻省理工学院、哈佛大学、新加坡国立大学等国际顶尖高校建立科研合作。近三年，团队联合重症医学等临床科室攻坚关键技术，搭建急危重症AI预测预警平台，先后在《Lancet Digital Health》《npj Digital Medicine》《EClinicalMedicine》等顶级期刊产出系列研究成果。此次张政波教授团队与周飞虎教授团队的联合攻关，进一步完善了老年危重症智能预警体系，将持续推动人工智能技术在急危重症救治领域的临床转化，为重症患者精准救治提供智能化支撑。