文 | 颜璇（关于AI医疗等）

来源 | 智能相对论（aixdlun）

“我不希望在最后离开的时候说不出话来，我希望可以在我还漂亮的时候跟他告别。”最新一期的《奇葩大会》里，死亡体验馆馆主丁锐分享了一个感人的故事——一个癌症晚期的女性，为了能够优雅地和丈夫告别，和丈夫一起参与了死亡体验活动，在送别“死去的”妻子时，丈夫泣不成声。

对于一个癌症患者而言，“死亡”这个话题虽然十分沉重，但也需要预留空间去探讨和适应。而如果可以精准预测病患的“死亡”，是否能给予患者这个空间呢？

美国斯坦福大学开发了一款“预测死期”的AI系统。这款AI系统整理了近200万名成人和儿童患者的电子健康档案数据，以及相关的医学诊断信息，得到病情的大数据。再通过数据收集与系统自主学习机制，来预测病患具体的死亡时间。

为了临终关怀，也为了拯救生命

在中国，每年有约700万人走向生命终点，但社会上提供的临终关怀服务却只能满足约15%的需求。该系统的出现，预示着医生们能够更加精确地安排病患的临终关怀。除此之外，利用“预测死亡”我们还可以发掘一条新的道路。

对于大限将至的晚期病患，我们可以通过长期的数据跟踪来判断死亡概率。而对于一些特殊疾病的突发症状，我们也可以通过机器学习，感知到病患的一些生命体征变化从而发出危险预警。

FDA（美国食品药品监督管理局）最近批准通过了首个可以预测死亡的AI产品，这个产品名叫Wave Clinical Platform，由医疗科技公司Excel Medical研发。

Wave是一个永远在线的远程监测平台，集成了医院和包括患者的用药情况、年龄、生理情况、既往病史、家族病史等实时数据。

这套系统可以感知生命体征的细微变化，从而在发生致命事件6小时前发出预警。也就是说，AI系统可以通过比较数据库中的猝死病例，从而提前6个小时预测“猝死时间”，为医护人员赢得抢救时间。

英国科学家也曾在《影像诊断学》杂志上发表文章说，人工智能可以预测心脏病人何时死亡。而这项技术能让医护人员发现需要更多干预治疗的患者，从而拯救更多的生命。

AI预测死亡——逃不出的笼子

对于AI预测死亡这一命题所遇到的问题，智能相对论（ID:aixdlun）分析师颜璇认为可以从这三个方面来考虑。

1.“预测死亡”即“判死刑”，病人能接受吗

不可否认的是，预测死亡确实可以让医生更合理地去配置医疗资源。但“死亡”并非那么容易被所有人接受。

Siddhartha Mukherjee在文章中讲过自己亲历的一个故事，他曾经治疗过一名食道癌患者，这个病人的治疗十分顺利，但还是存在着复发的可能性。于是医生提出了临终关怀的话题。但这位病人拒绝了。这位病人认为，他的身体状况越来越好，精神状态十分振作，为什么偏要说这些扫兴的话呢？

令人遗憾的是，这位病人的癌症还是复发了。在他临终前，他始终处于昏迷状态，无法回应在他病床旁的家人。

从这个故事中可见，并非每一个病人都能淡然地接受“死亡”这个话题。当病人与病魔和死神苦苦争斗时，医生们用一套所谓科学的、精密的AI系统预测了病人的死期，于病人而言，抗癌之旅本就艰辛，而在其头顶悬上一把会准时掉落的死亡之刃未免也太过残忍。

2.病情存在个体差异，复杂病例难以判断

AI预测死亡主要依赖于医疗大数据和深度学习。研究团队表示，这套AI系统收集了从发现病症到12个月内死亡的病人数据，然后通过深度神经网络利用大数据计算每条信息的权重和强度，生成一个给定患者在3到12个月内死亡的概率分数，通过分数预测病人在3-12个月内是否会死亡。

医疗数据种类繁杂，质量参差不齐，是一种极具个性化的信息。疾病的病程具有一定的规律，但具体病情症状却要因人而异。个人体质、周围环境等因素都会影响疾病的转归。除了个体的差异，疾病本身也难以被清楚地认知。比如，几乎任何传染病的初期症状都与感冒类似。也就是说，疾病本身是带有欺骗性的，在医院中，医生也常常需要借助辅助工具，在面对复杂病例时，医生们甚至需要召开病情讨论会议，几方会谈才能确定治疗方案。

再者，AI预测死亡的深度学习有一个令人费解的地方，也就是“黑盒子”问题——它能够推算出一个病患的死亡概率分数，却无法表达其背后的逻辑。

所以，通过概率分数来预测病人的死亡时间依旧存在着许多问题。单单针对某类疾病的死亡预测可能有效，但是预测大病种的死亡概率的可能性却微乎其微。

3.医疗大数据共享难

AI+医疗大多以算法开始，但最终还是会回到数据。尽管数据是所有AI项目的问题，但医疗行业的数据，尤其是这类关于生死的数据更难获取。

医疗信息与其它领域的信息不同，种类十分繁杂，标准也不统一。尤其许多病症会涉及到患者隐私，会有部分患者并不愿意将自己的医疗数据用于AI研究。

就质量而言，医疗数据也有更高的要求，比如，所有的医疗数据需要医生的人工标识。

除了病人，从医院方获取数据也有阻力，在不能确定某项研究会有利于医院救护的时候，医院恐怕并不愿意担风险贡献出所有的工作数据。而技术人员要如何和医生形成合力，获取高质量的大数据，是大部分人工智能医疗企业共同面临的难题。

 “鸡肋”如何巧变为“熊掌”

“AI预测死亡的准确率高达90%”更像是一个过度宣传的噱头，预测人类的死亡只是更方便进行姑息治疗，但其中还是会面临一些伦理问题。比如，要不要将死亡日期通知给病人和其家人？一套机器是否有资格来宣判人类的死亡期限呢？

而如果换个预测对象呢？设想一下，作为一只宠物狗的主人，当狗狗的身体机能渐渐衰老，主人是否想要知道这只狗狗什么时候会离世呢？由于语言的不通，人类会希望借助一些辅助工具更了解宠物，希望有更精确的医疗辅助系统来诊断宠物的病情，从而为宠物做更好的安排。面对宠物，AI预测死亡似乎更能被人类所接受。

AI预测死亡系统的发展过程应该是一个不断提升价值的过程，一方面，应该建立更多对象的数据库，依赖于深度学习来进行更多应用场景的选择。首先，选择一类对象（多半为宠物）作为训练学习模型的教材，然后，通过积累的“经验”来判断这类对象在发病期间的死亡概率，最后，对对象进行干预治疗。

另一方面，将预测死亡变成预测病程。预测场景从垂直领域到横向领域，构建一个智能预测系统，既包括病程的转归期，也包括病程前期的所有阶段，最后做到为用户个性化建模。  

在AI医疗上，我们细分了越来越多的名目。而“预测死亡”看起来涉及到了人类生死大事，但也只是触及到了事情的表面，在戳破了“死亡预测”这个气泡后，如何让AI医疗预测成为一个真正惠民的项目，触及到医疗痛点，恐怕才是大部分布局AI医疗的企业要思考的。

【完】

智能相对论（微信id:aixdlun）：深挖人工智能这口井，评出咸淡，讲出黑白，道出深浅。重点关注领域：AI+医疗、机器人、智能驾驶、AI+硬件、物联网、AI+金融、AI+安全、AR/VR、开发者以及背后的芯片、算法、人机交互等。