劉 榮，白成超，張卓超，王 斐，王兆海

1 解放軍總醫(yī)院第一醫(yī)學中心肝膽胰外科醫(yī)學部，北京 100853；2 哈爾濱工業(yè)大學航天學院，黑龍江哈爾濱 150001

醫(yī)學決策面臨約束多、目標多和不確定性等難題，對其有效控制本質上屬于復雜非線性時變多變量耦合問題，數學精確建模困難。由于缺乏對多模態(tài)醫(yī)療信息有效分析的方法和理論，且受實際干預者的個體差異、能力水平和醫(yī)療條件等因素影響，傳統(tǒng)決策模式多為開環(huán)控制，制約了醫(yī)療效果的可控性和預見性。隨著人工智能技術的不斷發(fā)展，出現(xiàn)了用人工智能輔助或替代人類進行外科診斷、治療的新型模式，如醫(yī)學影像識別與預測[1]、三維重建與手術規(guī)劃[2]、術中導航系統(tǒng)[3]、智能遠程機器人手術系統(tǒng)[4]、基于人工智能的預后分析[5]等。這些技術使醫(yī)療決策智能化程度提高，準確性增加。在此基礎上，筆者2017年從術中風險入手，提出了“以防代止”的術中風險預控的理念[6]，并在2019年首次提出并闡述了“預后控制外科理論”[7]。該理論能夠充分顧及時變、干擾等因素引起的不確定性，及時進行糾偏，始終把診療優(yōu)化建立在實際基礎之上，使控制保持最優(yōu)，兼顧了對未來長時間內理想優(yōu)化和實際存在不確定性的影響，有利于患者長期獲益。

用控制學方法對該理論進行更為精確的數學闡述有助于拓展理論的應用范圍。在人工智能領域，基于大規(guī)模深度神經網絡的智能控制技術可以在不對目標系統(tǒng)進行顯式建模的情況下取得良好的控制效果[8]。這使得預后控制外科可以擺脫復雜模型無法精確構建的難題，利用先進的無模型智能控制技術實現(xiàn)預后全程最優(yōu)控制。將預后控制理論與數字患者相結合[9-11]，借助于元宇宙技術[12-14]，在虛擬空間實現(xiàn)反事實情況處理和多方案評估，可以強化預后控制的反饋環(huán)節(jié)對治療方案決策規(guī)劃的指導作用。本文從控制學角度對預后控制外科進行闡述，即利用智能信息技術，凝練四要素數學表征，構建感知/決策/控制多維度協(xié)同大回路體系模型，優(yōu)化診療信息的長短期融合反饋，實現(xiàn)以結局最優(yōu)為導向的全生命周期外科治療，并對其理想形態(tài)進行理論探索。

1 預后控制外科理論

1.1 整體框架 預后控制外科理論主要包含四個部分，分別為預后精確控制模型、治療過程動態(tài)決策模型、療效評估反饋模型和數字患者模型，四者共同組成了預后控制外科的“感知/決策/控制”協(xié)同診療大回路體系模型。見圖1。

圖1 預后控制外科理論整體框架Fig.1 The overall framework of prognostic control surgery theory

首先將一個治療流程分為方案制定、干預實施、預后評估三個環(huán)節(jié)。在方案制定環(huán)節(jié)通過人機協(xié)同的方式制定治療方案，“機”指的是本文提出的包含多回路療效評估反饋的預后精確控制模型。接下來根據治療方案實施治療，在治療過程中由于患者的信息存在不確定性，且在治療過程中難免受到未知因素的影響，故本文提出兼顧全局/局部的動態(tài)決策模型來實現(xiàn)治療方案的在線閉環(huán)調整。為了實現(xiàn)預后精確控制模型中的多回路療效評估反饋，本文提出了療效評估反饋模型，該模型由治療過程評分模型和預后效果評分模型兩部分構成，前者為近期療效評估，后者為遠期療效評估。治療過程評分模型根據治療過程中的患者狀態(tài)信息(如腫瘤邊界等)進行風險評分，預后效果評分模型根據患者治療后的信息(如生存率、生活質量等)對整個治療流程進行評分。此外，預后精確控制模型和動態(tài)決策模型均涉及多源感知信息的處理。在預后精確控制模型中需要處理患者的問診數據、多模態(tài)的醫(yī)療影像等信息，在動態(tài)決策模型中需要實時處理手術機器人導航數據、圖像數據等信息，因此在預后精確控制模型和動態(tài)決策模型中需要引入基于病例信息大數據及實時感知反饋的多源感知診療模型以進行大規(guī)模多源感知信息的處理。最終形成以病理信息、過程評估、治療目標為驅動的協(xié)同診療大回路體系。

數字患者模型可以作為預后控制外科理論的理想化模型，可以在全治療流程的三個環(huán)節(jié)中起作用。如術前通過基于數字患者模型的手術推演來輔助決策優(yōu)化；術中為干預者提供多維度的可視化狀態(tài)信息，并預測可能出現(xiàn)的情況，從而保障治療過程實時控制；術后可跟蹤患者的康復狀態(tài)，開展風險預測。

1.2 預后精確控制模型 預后精確控制模型是預后控制流程的核心，相當于整個系統(tǒng)的控制器。預后精確控制模型以患者信息s、醫(yī)師數據庫D、干預手段選項M、干預時機選項T作為輸入。見圖2。

圖2 預后精確控制模型示意圖Fig.2 Schematic diagram of accurate control model of prognosis

患者信息包括患者的基本信息、問診信息、多模態(tài)影像信息等內容。醫(yī)師數據庫是所有候選醫(yī)師的集合，包含了每名醫(yī)師的基本信息、個人能力評分等內容，醫(yī)師數據庫中的一個醫(yī)師數據用d表示，d∈D。干預手段選項是所有候選干預手段的集合，包含常用的治療手段如藥物、手術、放療等，一種干預手段用m表示，m∈M。干預時機選項是所有候選干預時機的集合，如手術時間、療程規(guī)劃等，一個干預時機用t表示，t∈T。

預后精確控制模型的輸出是包含干預時機、干預醫(yī)師、干預手段的完整治療方案?？刂七^程可以分為風險預測和方案選擇兩個階段。首先風險預測模型fθ以患者信息s、干預時機t、干預醫(yī)師d、干預手段m的所有可能組合為輸入，預測患者在每一種治療方案下的預后風險，所有治療方案對應的干預風險集合表示為Rs。接下來將風險最小的治療方案(最佳干預時機t?、最佳干預醫(yī)師d?、最佳干預手段m?)作為輸出，如下式所示：

風險預測模型fθ為深度神經網絡，θ表示神經網絡的參數，可以通過最小化下面的損失函數來得到θ的值。

上式中，ph和pg分別表示對治療過程和預后效果的評分，l1和l2分別表示上述兩者的權重，可以根據經驗來指定。表示干預風險的計算值，對治療過程和預后效果的評分越高說明治療方案越好，對應的干預風險的計算值越小。fθ(s,t,d,m)表示對干預風險的預測值，通過上述損失函數可以使深度神經網絡從大量的案例中學習如何正確預測預后風險。見圖3。

圖3 風險預測模型學習過程Fig.3 The learning process of risk prediction model

風險預測模型的學習訓練是基于病例數據庫進行的。因此在訓練風險預測模型之前需收集病例數據，將每次治療的患者信息、治療方案(包含干預時機、干預醫(yī)師、干預手段)、治療過程、預后效果評分存入病例數據庫中，數據量對模型的訓練至關重要。此外，可以將預后精確控制模型的輸出與醫(yī)師經驗、醫(yī)學指南、循證醫(yī)學證據相結合，得到更加可靠的治療方案。

1.3 動態(tài)決策模型 由于患者的信息存在不確定性，因此需要引入治療過程的動態(tài)決策模型來實現(xiàn)治療方案的閉環(huán)調整。目前治療過程的動態(tài)決策需要依靠醫(yī)師經驗。人工智能技術可以用于復雜信息的快速處理或為醫(yī)師提供智能輔助，基于實時感知反饋的多源感知診療可以幫助醫(yī)師更快地完成決策。

治療過程的動態(tài)決策是根據治療過程中實時獲取的信息對治療方案不斷糾偏的過程(圖4)。將治療過程中可以實時獲取的信息表示為It，預期療效表示為e，將動態(tài)治療方案表示為ut，治療過程動態(tài)決策函數表示為k，則治療過程動態(tài)決策模型可以表示為：

圖4 治療過程動態(tài)決策模型示意圖Fig.4 Diagram of dynamic decision-making model of treatment process

上式中，函數l表示患者的狀態(tài)更新函數。根據治療方案的不同，動態(tài)決策模型會接收不同種類的信息，如機器人手術過程中接收到的圖像信息、導航信息、軌跡信息、患者體征信息等。

1.4 療效評估反饋模型 療效評估反饋模型主要用于構建病例數據庫，可以分為治療過程評分模型和預后效果評分模型兩部分，前者為近期療效評估，后者為遠期療效評估。療效評估反饋模型相當于控制系統(tǒng)中的傳感器模型，正確合理的評分是預后控制系統(tǒng)的關鍵。為了得到全面可靠的評估，考慮通過建立評價指標體系的方式將專家的經驗融入模型。評價指標體系及指標權重可以通過專家賦值或利用主成分分析法、層次分析法、熵權法等統(tǒng)計方法來確定。治療過程評分模型和預后效果評分模型的計算過程見圖5。

圖5 評分模型計算過程Fig.5 The calculation process of scoring model

治療過程評分模型以治療前的患者信息s、治療方案(t,d,m)、治療過程中的患者信息s1作為輸入，輸出治療過程的評分ph，如下式所示：

函數hω表示治療過程評分函數，ω表示指標權重。治療過程評分模型可以將治療過程的安全性指標、有效性指標等納入指標體系，如術中出血量、術中臟器副損傷等作為模型輸入。

預后效果評分模型以治療前的患者信息s、治療方案(t,d,m)、治療完成后的患者信息s2作為輸入，輸出預后效果評分pg，如下式所示：

函數gω表示預后效果評分函數，ω表示指標權重。預后效果評分模型可以將患者預后生活質量指標、治療有效性指標等納入指標體系，將患者的疼痛評分、生活質量評分、腫瘤標志物檢測結果等信息作為輸入。

1.5 數字患者模型 數字患者是包含患者的問診信息、影像信息、前置治療過程、患者實時狀態(tài)信息等多模態(tài)信息的可視化模型。基于數字患者模型，醫(yī)師與AI 驅動的預后精確控制模型可以獲得比與患者直接溝通更多的信息，并可以開展反事實推理，在虛擬空間完成手術預演和效果評估，從而進一步優(yōu)化決策方案。數字患者模型可以實時顯示患者當前狀態(tài)信息，提供給醫(yī)師決策幫助完成術中糾偏或為可能的意外情況生成預案。在手術后，數字患者模型可以將手術過程數據和術后狀態(tài)演化數據傳遞給療效評估反饋模型開展風險評估，支持患者結局預測。因此基于數字患者模型的智慧醫(yī)療可能是預后控制外科的終極形式。數字患者模型和與其相關的決策優(yōu)化、手術預演等是未來預后控制外科的研究重點之一，而目前實現(xiàn)基于數字患者的預后控制外科的技術途徑就是元宇宙技術。

2 元宇宙賦能的預后控制外科展望

元宇宙是由現(xiàn)實世界映射或超越現(xiàn)實世界的虛擬空間，其集成了一大批先進技術，包括人工智能、虛擬現(xiàn)實、數字孿生、云計算、人機交互等，在醫(yī)療領域具有廣闊的應用前景[15]。元宇宙具有具身性、沉浸性、交互性、開放性等特性，這些特性為預后控制外科的發(fā)展提供了新的平臺。

2.1 元宇宙賦能預后控制外科的著力點 預后控制外科的目標是以最小化創(chuàng)傷實現(xiàn)患者最大化臨床收益。這對預后控制外科提出了三點要求：(1)強化術前決策規(guī)劃能力，提供最優(yōu)的醫(yī)療干預方案；(2)提高術中風險控制能力，對手術執(zhí)行能力提出了更高要求；(3)增強術后評估與反饋，實現(xiàn)方案的優(yōu)化迭代。元宇宙作為目前多種智能技術的集成，可以從以下兩點賦能預后控制外科：(1)依托于數字孿生技術，可以構建患者的數字孿生體，為預后控制外科的決策規(guī)劃、效果評估提供幫助；(2)基于數字患者和平行系統(tǒng)技術，開展治療決策優(yōu)化和治療平行推演。

2.2 數字孿生賦能的數字患者形態(tài)展望 當前的數字患者模型主要分為兩種，一種是多模態(tài)數據驅動的患者數學模型，另一種是可視化數字人體模型。其中患者數學模型可為治療方案的制定提供幫助，但不能夠支撐手術預演，且其所有數據全部依賴于外部輸入；可視化數字人體模型可提供高保真的人體三維視景模型，能夠開展手術預演，但對于治療方案的優(yōu)化與制定幫助有限。兩種現(xiàn)有數字患者模型都存在功能單一的問題。

數字孿生能夠在虛擬空間模擬物理實體的狀態(tài)，具備實時性、高保真性、高集成性等特性，因此適合用來開發(fā)下一代多功能數字患者模型?；跀底謱\生技術的數字患者模型可以實現(xiàn)數學模型與可視化模型的全部功能。此外，還可進行治療后的長期跟蹤，確保預后的準確性。數字孿生體還包含患者的生活信息和人體演化規(guī)律，使數字患者模型可以長時間準確預測患者恢復狀態(tài)。

2.3 虛實融合的治療決策與平行推演 利用元宇宙的具身性、開放性和交互性，依托于VR/AR 技術和數字患者模型，可開發(fā)與現(xiàn)實醫(yī)療環(huán)境相映射的平行系統(tǒng)推演空間。在這套平行系統(tǒng)推演空間里，醫(yī)師與預后精確控制模型可以開展全流程的沉浸式虛擬治療，不僅與現(xiàn)實世界保持一致，還可設計出各種可能出現(xiàn)的突發(fā)場景。干預者可與平行系統(tǒng)中的手術機器人等設備一起開展虛實融合的手術預演。通過想定編輯的方法設計可能出現(xiàn)但現(xiàn)實中暫未出現(xiàn)的情況，以此設計處理各種意外突發(fā)狀況的預案。這種基于數字患者的平臺系統(tǒng)推演空間可以輔助預后精確控制模型開展自博弈，將治療方案不用通過真實手術過程直接反饋，實現(xiàn)治療方案的高效迭代優(yōu)化(圖6)。而且推演全過程都發(fā)生在數字患者模型身上，不會對真實患者產生任何影響，可以有效實現(xiàn)風險預控，使患者獲益最大化。

圖6 基于數字患者的預后控制外科平行推演框架Fig.6 A parallel computational framework for prognostic control surgery based on digital patient

3 結語

本文基于智能控制技術建立了預后控制外科的控制模型，將其分為預后精確控制模型、治療過程動態(tài)決策模型、療效評估反饋模型和數字患者模型四個部分。我們梳理了預后控制外科理論框架的控制學運行方式，建立了預后精確控制模型、治療過程動態(tài)決策模型、療效評估反饋模型的數學模型，闡述了數字患者模型在預后控制外科理論中的作用，并對元宇宙技術賦能的數字患者和預后控制外科平行推演進行了展望。

作者貢獻劉榮：總體構思，撰寫初稿，審閱和修訂；白成超、張卓超、王斐、王兆海：調查研究，撰寫初稿。

利益聲明所有作者聲明無利益沖突。