一项多机构合作研究首次证明，人工智能与机器学习技术可显著优化脓毒性休克患者的个体化治疗方案，尤其是对关键药物——血管加压素的使用时机进行精准决策。该研究由约翰斯·霍普金斯大学的苏奇·萨里亚（Suchi Saria）领衔，成果发表于《美国医学会杂志》（JAMA）。 脓毒性休克是导致医院死亡的首要原因，每年在美国造成超过27万例死亡。其核心特征是严重低血压，可引发器官功能衰竭。紧急治疗通常包括输液和使用血管加压药物，如去甲肾上腺素和血管加压素，以恢复血压和器官灌注。然而，何时启动血管加压素成为临床难题：过早使用可能引发严重副作用，而延迟使用则可能错失最佳干预时机。 传统方法依赖预设标准并开展耗资巨大、周期漫长的临床试验，但只能逐一测试单一标准。萨里亚团队提出更高效方案：采用强化学习（Reinforcement Learning）技术。这种机器学习方法让虚拟“智能体”通过分析大量真实医疗数据，不断试错，学习在何种条件下启动血管加压素能获得最佳生存结果。 研究团队利用超过3500名患者的电子病历及公开数据集，训练模型综合考虑血压、器官功能评分及其他用药情况，精准判断启动时机。随后在近1.1万名新患者数据上验证，结果表明，若按算法建议时间启动药物，住院死亡率显著降低。模型建议的启动时间普遍早于临床常规做法，但若药物使用比算法建议还早，患者预后反而更差，说明“精准时机”至关重要。 研究还发现，不同医院和国家在治疗策略上存在显著差异，表明个体化治疗的必要性。该模型证明，基于患者个体特征制定治疗规则，可有效改善预后。 下一步，研究团队将在加州大学旧金山医学中心（UCSF）开展临床落地试点，并与萨里亚团队孵化的临床AI平台Bayesian Health合作，逐步推广至全国。萨里亚指出，这一技术潜力远不止于血管加压素管理——它能同时评估上千种治疗策略，从已有数据中“免费”学习，实现真正意义上的智能医疗决策，开启个性化精准治疗的新篇章。