【微動態】何昆侖教授團隊突破醫學預測瓶頸，實現危重癥精準預警

近日，解放軍總醫院醫學創新研究部何昆侖教授團隊在國際頂級期刊《The Lancet Digital Health》（《柳葉刀·數字健康》，影響因子24.1）發表題為《因果深度學習用于實時檢測心臟手術相關急性腎損傷：在7個時間序列隊列中的推導和驗證》，其構建的因果深度學習模型REACT實現心臟手術相關急性腎損傷的精準實時檢測，標志著醫療數據分析邁入因果機制解析新階段。

針對現有醫療預測模型普遍存在的三大瓶頸——臨床落地難、預測精度受限、決策過程不透明，何昆侖教授團隊創新提出“雙階段因果深度學習”架構。該架構通過將因果發現模塊深度集成至神經網絡系統，運用反事實推理與模擬RCT的方式，首次實現了多變量醫療時序數據中潛在因果關系的自動識別與可視化。在技術實現層面，REACT模型采用了獨特的設計思路：動態時序數據通過專門的時間序列分析模塊提取特征，靜態患者信息通過特征嵌入層進行處理。通過引入因果正則化損失函數，模型將預測誤差與因果一致性損失相結合，利用梯度反向傳播同步優化預測性能與因果發現能力，顯著提升了模型的可解釋性。

在7個獨立隊列的大規模臨床驗證中，REACT模型展現出突破性性能：平均AUROC達0.93，顯著優于Transformer等主流架構，更能提前16.8小時精準預警急性腎損傷，為臨床干預預留關鍵“黃金時間窗”。其出色的遷移能力更使其成功應用于膿毒癥評估、術后感染預警等多個危重癥場景，展現廣泛應用前景。

針對臨床落地難題，團隊提出“復雜歸于訓練，簡便留給臨床”理念，開發因果蒸餾技術。通過雙層優化框架將1328項臨床指標提煉為6項核心因果變量，這項創新技術采用迭代式變量篩選機制，在確保預測精度達到臨床應用標準的前提下，顯著提升了模型的實用價值。研究將復雜的高維建模與因果分析置于離線訓練階段完成，實際臨床應用時僅需輸入6項常規檢驗指標即可實時獲得預測結果，實現“即輸即用”的輕量化運行。

據悉，何昆侖教授團隊本年度已在《Nature Biomedical Engineering》《Nature Communications》《Advances Science》等頂級期刊發表多項智能醫療關鍵技術突破性成果，形成了從基礎理論創新到臨床轉化應用的完整研究體系。本研究由鐘琴博士后、程宇笑博士、李宗任副研究員、王東進教授為共同第一作者，何昆侖教授為通訊作者，清華大學索津莉教授為共同通訊作者。該成果推動醫療診斷向“數據驅動+機制理解”轉型，彰顯我國智能醫療基礎研究的創新實力。

主管| 解放軍總醫院政治工作部

主辦| 宣傳處融媒體中心

來源 | 醫學創新研究部

圖文| 鐘　琴

刊期 | 第2975期

總編：熊　剛

主編：史艷菊

編審：張　密　李笑一

編輯：劉超英

郵箱：jfjzyy01@163.com