疾病预测与精准兽医医学:人工智能在小动物临床中的应用、机遇与局限
疾病预测与精准兽医医学
人工智能在小动物临床中的应用、机遇与局限
Audrey Ruple, DVM, MS, PhD, MRCVS, FNAP, Stuart W.J. Reid, BVMS, PhD, DVM, FRSE, FRCVS, CBE
关键词
- 人工智能
- 机器学习
- 临床预测模型
- 精准兽医医学
- 兽医大数据
要点
- 疾病预测模型评估的是未来风险,而非诊断当前疾病,从而实现更早的干预和更主动的兽医医疗。
- 预测性能在很大程度上取决于底层数据源,包括电子病历、保险理赔、主人自报数据、可穿戴设备和环境数据集。
- 基于人工智能的模型能够在大型兽医数据集中检测复杂模式,但其预测必须在临床背景下解读。
- 预测工具应补充而非替代临床专业知识,其输出应与体格检查发现和诊断检测相结合。
- 负责任的实施需要关注模型验证、偏见和透明度,尤其是在工具应用于不同人群或临床环境时。
引言
人工智能(artificial intelligence, AI)和机器学习(machine learning, ML)正越来越多地融入小动物兽医医学,应用范围涵盖影像解读、病历文书、疾病预测和群体水平监测。在这些新兴应用中,预测建模代表着临床实践中最具前景、也可能带来颠覆性变化的发展方向之一。预测工具的目标不是在疾病临床表现出来后被动应对,而是估计未来风险,从而实现更早的干预、个体化预防策略和更高效的临床资源配置。
疾病预测与精准兽医医学处于数据科学与临床医疗的交叉点。这些方法利用大型异构数据集来识别人类临床医生通常无法察觉的模式。虽然类似方法在人类医学中已被广泛采用,但兽医应用才刚刚走向成熟。重要的是,预测模型并不取代临床判断;相反,它们提供概率性信息,在审慎使用和适当临床背景下支持决策。生成式和非生成式 AI 均已在病历处理、分析和解读中找到用途;自然语言处理(natural language processing, NLP)和大语言模型(large language model, LLM)根据所需结果提供不同优势——前者侧重于人类语言解读,后者提供精准临床决策支持。
疾病预测与精准兽医医学在实践中的含义
疾病预测是指使用统计或 ML 模型来估计动物在特定时间范围内发生某种疾病的可能性[1]。这些模型综合临床记录、人口学信息、诊断史、环境暴露和其他数据流,生成个体化或群体水平的风险估计。精准兽医医学在此基础上更进一步,将预防保健、诊断和治疗策略针对个体患者进行定制,而非仅依赖群体平均值[2]。
区分风险预测与诊断
重要的是,预测不等同于诊断当前是否存在疾病。预测模型估计的是概率和未来结局[3],它们不确认疾病。高风险评分提示需要更密切的监测或进一步评估,而非确定性的病理改变。同样,预测低风险也不保证无病。例如,预测模型可以估计一只犬未来一年内发生库欣综合征的可能性,或一只外观健康的成年猫发展为慢性肾病的概率[4,5]。预测将兽医医学转向主动范式,强调预防和早期发现,而非仅被动处理已发生的疾病[6]。
个体水平与群体水平预测
预测建模在多个尺度上运作。个体水平预测估计特定患者的风险,可指导个体化护理计划[7]。群体水平预测汇总群体或地理区域的风险,支持监测、资源规划和公共卫生准备[8]。两种方法都有价值但用途不同。个体预测指导与宠物主人就其具体动物进行临床沟通,而群体模型可识别新兴疾病趋势、面临疾病入侵高风险的地理区域或季节性模式[9]。
这些工具为何现在兴起
多种汇聚因素加速了预测分析在兽医医学中的应用。第一,兽医记录的数字化和大规模数据集的增长——包括电子健康记录、宠物保险理赔数据、可穿戴设备、猫砂盆监测器和包含主人自报信息的开源数据集——创造了数据驱动洞察的前所未有的机遇[10]。第二,计算能力和 ML 算法的进步使得大规模分析复杂高维数据成为可能[11]。第三,AI 产品的商业化已将预测工具直接带入临床工作流程[12]。
与此同时,对动物、人类和环境健康相互关联性的日益认识,扩大了对超越个体患者的预测模型的兴趣。犬与人类共享许多环境暴露,使伴侣动物成为更广泛健康风险的潜在哨兵,并强化了预测方法在 One Health 框架内的相关性[13]。
这些发展共同为疾病预测和精准兽医医学从理论概念走向实用临床工具奠定了基础。然而,它们成功整合到实践中取决于对数据质量、模型局限和负责任临床使用的审慎关注。
疾病预测的数据基础
成功的疾病预测根本上取决于底层数据的质量、范围和结构。在兽医医学中,预测模型越来越多地利用多种来源,表1总结了各来源的优势和劣势。每个数据流都有独特优势,同时也引入了临床医生在解读预测输出时应了解的特定局限。
表1 兽医疾病预测可用数据源的关键特征、优势、局限、偏见和应用
| 数据源 | 关键特征 | 预测优势 | 局限与偏见 | 代表性应用 |
| 兽医电子病历 | 初级和转诊医疗的临床记录,包括诊断、实验室结果、影像、治疗和人口学信息 | 丰富的临床细节;纵向疾病轨迹;通过网络大规模汇总(如 VetCompass) | 数据质量参差不齐;非结构化临床笔记;诊断编码不一致;转诊偏倚;受就医行为影响 | 疾病风险建模;流行病学监测;预后建模(如库欣病和慢性肾病) |
| 宠物保险理赔数据 | 行政数据集,记录大型参保群体中的计费诊断和操作 | 样本量大;地理多样性;纵向随访;因经济限制减少而有更完整的诊断检查 | 不能代表所有宠物(偏向参保群体、较高社会经济地位、单一品种犬);诊断粒度有限;编码约束 | 群体水平疾病趋势;发病率和死亡率研究;关联动物和人类疾病模式的 One Health 应用 |
| 主人自报数据 | 基于调查或应用程序的信息,由主人报告健康史、饮食、行为和家庭环境 | 捕捉临床未记录的行为和环境暴露;可扩展至大型队列;多种疾病与临床数据验证一致性良好 | 回忆偏倚;错误分类;某些疾病报告不足;主人解读差异 | 纵向队列研究(如犬衰老项目);危险因素识别;与临床和环境数据集整合 |
| 可穿戴设备与传感器数据 | 设备生成的连续数据(如活动、休息、姿势),在真实环境中使用加速度计和相关传感器采集 | 连续客观监测;检测细微行为或活动变化;疾病进展或恢复的潜在早期指标 | 设备和场景间验证不一;性能依赖环境(如牵引与不牵引);数据处理和临床整合挑战;依赖主人依从性 | 监测骨关节炎、肥胖和术后恢复;评估活动趋势和生活质量;功能下降早期检测 |
| 环境与地理空间数据 | 通过地理编码和公共数据集链接到位置的数据(如气候、空气质量、土地利用、社会经济指标) | 捕捉与传染性、环境和慢性疾病相关的外部暴露;支持 One Health 分析;实现时空风险建模 | 时空不匹配;分辨率不一;潜在混杂因素;需要与临床或队列数据链接 | 媒介传播和环境介导疾病预测;纵向队列中的暴露评估;区域疾病预测 |
| 整合多模态数据 | 链接临床、主人报告、可穿戴和环境数据流的组合数据集 | 更全面地表示疾病风险;改善复杂多因素疾病的预测性能;支持精准医学方法 | 数据协调挑战;缺失数据;计算复杂性;需要强大的基础设施和验证 | 精准风险分层;纵向衰老研究;整合临床决策支持;群体健康监测 |
兽医电子病历
兽医电子病历(veterinary electronic medical records, VEMRs)为大多数兽医预测模型提供临床基础。英国 VetCompass 等大型项目已证明,汇总初级保健 VEMRs 用于群体水平研究和疾病监测的价值,提供关于品种相关疾病风险、发病模式和大型伴侣动物群体临床结局的见解[14–16]。
然而,VEMRs 也存在挑战。临床笔记通常是非结构化的,诊断确定性在不同诊所间存在差异,行为或环境变量的记录不一致[17]。传统(非生成式)AI 方法和较新的生成式 AI 系统正越来越多地被纳入临床决策支持工具[11,18]。NLP 方法通常用于从病历中的非结构化临床文本提取结构化信息[17,19]。相比之下,LLM 是一类新型 NLP 系统,在大型文本语料库上训练,可通过总结记录、综合信息和协助临床文书来进一步支持临床工作流程[20]。虽然这些工具主要支持信息管理,但它们可以补充使用结构化临床数据估计疾病风险的预测建模系统[21]。转诊数据集可能过度代表重症或复杂疾病,而初级保健记录可能缺乏标准化的诊断确认[22]。这些因素引入的异质性可能影响模型性能和泛化能力。
宠物保险理赔数据
宠物保险数据集是 VEMRs 日益有价值的补充。理赔数据库通常包括大型、地理多样化的群体,并在个体动物水平提供纵向随访[9,10,23]。一个关键优势是,参保宠物更可能接受推荐的诊断和治疗,较少经历经济安乐死,从而产生更完整的临床记录[23]。
尽管有这些优势,保险数据集不能完全代表一般宠物群体。参保犬往往更年轻,更多为单一品种而非混血,保险覆盖因地区和社会经济因素而有很大差异[17]。此外,保险理赔系统可能限制每次就诊的诊断编码数量,降低临床粒度。
主人自报数据与可穿戴技术
主人报告信息和可穿戴技术提供了传统临床记录中基本缺失的行为、生活方式和环境暴露数据,包括活动模式、饮食、家庭特征和感知健康状态[24]。历史上,由于对回忆偏倚和错误分类的担忧,主人自报数据一直受到谨慎对待。然而,来自大型伴侣动物队列的最新验证研究表明,主人报告数据与从 VEMRs 或实验室检测获得的信息之间存在高度一致性[25,26]。
可穿戴设备通过捕获关于动物行为和生理的连续真实世界数据,进一步扩展了主人自报数据[27]。这些技术包括多种传感器类型,如加速度计、陀螺仪和其他嵌入式仪器,可以量化活动模式、休息和睡眠状态、姿势,在某些情况下还可估计生命体征[27]。基于加速度计的活动监测器已在家犬中验证,与直接行为观察有中到强的相关性,表明其有潜力检测可能先于骨关节炎、肥胖和术后恢复等临床问题的活动变化,以及评估结构化临床评估之外的整体福利和行为[28–32]。尽管有这些前景,可穿戴技术的临床整合仍然不均衡,设备性能可能因用例和环境而异[33,34]。此外,连续数据流必须以符合兽医决策的方式进行处理、可视化和解读;这通常涉及基于云的分析平台,在某些情况下还需要与诊所管理系统整合[27,34]。
环境与地理空间数据:One Health 视角
环境暴露在许多疾病过程中发挥关键作用,但很少在临床就诊或保险理赔中直接记录。地理编码技术和与公开数据集链接的进步,使得 VEMRs 和其他数据集可以用社区层面的空气质量、气候、步行便利性和社会经济背景指标来丰富[13,35]。将环境变量纳入预测模型可以改善受气候、污染或媒介生态影响的疾病的预测性能,如蜱传疾病和真菌病[10]。同时,环境数据引入了与空间分辨率、时间对齐和潜在混杂因素相关的额外复杂性,凸显了审慎模型设计和验证的重要性。
整合数据流用于临床预测
没有任何单一数据源足以进行可靠的疾病预测。精准兽医医学源于这些互补数据流的审慎整合。对临床医生来说,关键要点是:预测输出反映了其底层数据的优势和局限。了解信息来源以及该数据源可能缺失什么,有助于将风险估计置于具体背景,并支持在实践中负责任地使用 AI 工具。
兽医医学中使用的预测建模方法
预测建模包含一系列分析方法,通过学习历史数据中的模式来估计未来结局。在兽医医学中,这些方法从传统统计模型到现代 ML 和 AI 方法不等。本节旨在为临床医生提供主要建模范式的概念概述,重点介绍它们在兽医背景中的应用,并讨论解读和实施的注意事项。
传统统计模型与机器学习
传统统计模型如线性回归和逻辑回归长期用于兽医流行病学,估计预测因子与健康结局之间的关联[36]。这些模型依赖预定义的函数形式和关于线性、独立性和预测变量分布的假设。
ML 方法扩展了这一框架,更明确地关注预测性能而非对单个预测因子的推断。ML 方法如决策树、随机森林、支持向量机和梯度提升,迭代学习复杂高维数据中的模式,而无需明确指定预测因子与结局之间的关系[37]。与传统模型相比,ML 方法通常更自然地容忍非线性关系和交互作用,并且可以更有效地处理大量预测因子[38]。
兽医 ML 应用已在特定临床背景中展示了这种能力。例如,基于初级保健兽医临床记录训练的机器学习模型,已被用于根据人口学、临床和实验室变量预测犬未来诊断肾上腺皮质功能亢进(库欣综合征),实现了较强的判别性能[4]。在兽医诊断影像中,深度学习模型已展示出从 X 光片检测犬髋关节发育不良等疾病的高准确性,凸显了 AI 辅助诊断工具在临床实践中的潜力[39,40]。监督式 ML 分类模型已被用于估计诊断为黏液瘤样二尖瓣病(myxomatous mitral valve disease, MMVD)犬的心衰风险,VEMRs 中包含的人口学数据、X 线测量、超声心动图值和实验室结果在估计患者预后方面表现出优异性能[41]。另一个例子是,临床特征和实验室生物标志物被用于预测细小病毒感染犬的临床结局和恢复时间[42]。
与兽医实践的整合
尽管方法学取得了进步,预测模型与日常兽医实践的整合仍在发展中。障碍包括不同诊所间数据质量的差异、临床记录标准化编码的缺乏,以及不同患者群体间算法性能的差异[43]。随着兽医数据集规模和多样性的增长,支持个性化风险分层和优化预防保健的模型潜力日益增加。兽医临床医生与数据科学家之间的持续合作对于开发、验证和实施既能改善动物健康又保持临床相关性和透明度的模型至关重要。
临床用例与实例
兽医医学中的预测建模在转化为有临床意义的行动时最具说服力。虽然算法开发是必不可少的第一步,但疾病预测的最终价值在于其在患者护理、监测和预防策略中的应用。以下各节重点介绍预测方法已在伴侣动物医学中探索的关键领域。
传染病预测与早期预警
伴侣动物可作为影响动物和人类群体的传染性和人畜共患病的哨兵[9]。利用大规模兽医数据集,预测模型已被开发用于估计跨地理区域的媒介传播和环境介导疾病的风险[37]。预测性传染病建模特别适合受环境变量(如气候、媒介生态和人口密度)影响的疾病。将地理空间和环境数据层与临床记录整合,可进一步增强蜱传疾病和真菌病的区域预测[35,44]。
在临床层面,预测建模也已应用于个体传染病。在犬细小病毒性肠炎中,基于临床和实验室变量训练的 ML 模型已被用于预测存活和恢复时间,展示了为分诊和客户沟通提供信息的潜力[42]。此类模型可能协助临床医生在住院早期识别高风险患者,但在广泛采用之前,外部验证和前瞻性测试仍然必不可少。
犬作为哨兵:One Health 视角
犬作为环境暴露和疾病风险哨兵的概念正得到大型纵向队列的越来越多支持。伴侣犬与人类共享家庭环境,经历相似的空气和水暴露,并发展许多类似的慢性和传染性疾病[35,41,42]。在犬衰老项目中,整合主人报告的环境数据、VEMRs 和地理空间暴露变量,已能够构建与犬健康结局相关的综合环境档案[35,45,46]。该基础设施支持不仅在个体患者水平,还在社区和区域尺度上运作的预测建模。将伴侣动物健康趋势纳入公共卫生建模框架,可能改善新兴疾病集群的早期检测,并支持跨兽医和人类健康系统的协调应对策略。
慢性疾病风险预测
慢性进行性疾病占伴侣动物发病的很大比例。预测建模和 ML 算法已应用于多个慢性疾病领域,如 MMVD 犬,以估计未来风险或疾病进展[41]。类似地,活动监测器衍生的指标已被提议作为骨关节炎活动能力和疾病进展的客观标志物,为慢性肌肉骨骼疾病预测框架提供了潜在整合可能[29]。可穿戴设备衍生的纵向数据的预测性使用,理论上可以让临床医生在观察到明显临床衰退之前识别恶化,尽管真实世界的临床实施仍然有限。预测建模还可能协助分层代谢或内分泌疾病的风险,特别是在有纵向体重、活动和实验室数据可用时。虽然此类模型需要进一步的外部验证,但它们展示了预测分析如何支持对高风险患者的更早干预或更密集监测。
预防保健分层与个体化筛查
精准兽医医学的一个核心承诺是根据个体风险概况定制预防保健建议,而非对所有患者应用统一时间表。预测模型可能帮助识别将从早期筛查、更频繁监测或有针对性的预防干预中受益的动物。例如,对保险和 VEMR 数据集的群体水平分析已识别出与品种和年龄相关的疾病发生模式,可为更个体化的筛查策略提供信息[47–51]。当与经验证的品种血统数据和环境暴露档案结合时,此类风险估计可能以超越宽泛品种刻板印象的方式改进预防建议。然而,实施风险分层筛查需要仔细评估预测性能、成本效益和潜在的意外后果,如过度检查或客户焦虑增加[52]。
局限、偏见与临床风险
虽然预测建模对推进精准兽医医学具有巨大前景,但其临床效用取决于对局限、偏见来源、潜在风险以及与实施相关的伦理和专业考量的仔细审视。预测模型影响临床决策、客户对风险的感知和护理资源分配;因此,其开发和部署承担的责任超越了算法性能本身。理解这些挑战对于负责任地解读模型输出和避免患者护理中的意外后果至关重要。
数据集偏移与泛化能力
预测模型本质上依赖于其开发所用的数据。当模型应用于在地理、品种构成、社会经济背景或就医行为方面与训练数据不同的群体时,性能可能下降,这种现象通常称为数据集偏移[53]。在兽医医学中,由于不同诊所管理系统、诊断编码惯例和区域疾病患病率的差异,这一风险被放大。
在转诊医院群体上训练的模型可能无法很好地推广到初级保健环境,而从参保或高参与度主人群体得出的算法,在应用于更广泛的社区队列时可能表现不同。例如,宠物保险数据集和大型纵向研究队列通常过度代表年轻犬和社会经济地位较高的主人,这可能影响疾病检测和治疗模式[24]。这些因素凸显了在预测工具广泛部署之前,跨不同临床环境进行外部验证的重要性。
混杂与预测的区别
预测建模中一个关键的概念区别是识别因果关系与优化预测之间的差异。ML 算法优先考虑预测结局的准确性,但本身不区分因果驱动因素和相关特征[37]。因此,改善预测性能的变量可能不代表可干预的风险因素。
这一区别具有实际意义。一个模型可能基于人口学或环境代理变量准确预测疾病风险,但并未揭示可操作的干预切入点。因此,临床医生应避免将模型衍生的预测因子解读为因果关系的证据,除非有独立的流行病学或实验数据支持[37]。
过度依赖概率输出与风险沟通
预测模型生成的是概率而非确定性诊断[52]。存在临床医生或客户将这些输出过度解读为确定性的风险,尤其是当以单一数字风险评分呈现时。有效地向宠物主人传达这些概率面临实际和伦理挑战[54]。数字风险评分可能被误解为确定性,可能增加焦虑或促使不必要的干预[55]。来自人类医疗的证据表明,风险信息的框架和呈现方式强烈影响患者感知和决策[55]。兽医临床医生同样需要策略来将预测输出置于具体背景,强调不确定性并避免确定性语言。在讨论与慢性疾病进展或未来健康风险相关的预测信息时,纳入主人价值观和目标的共同决策框架尤为重要[56]。
兽医数据中的公平性、代表性与管理
伦理实施还需要关注数据治理、隐私和代表性[57]。兽医数据集越来越多地纳入主人自报信息、地理空间暴露和纵向健康记录,引发了关于同意、数据安全和适当二次使用的问题[43]。
当某些群体在训练数据集中代表性不足或被错误代表时,可能产生偏见[58]。在伴侣动物医学中,这可能包括未参保宠物、来自农村或服务不足社区的动物,或获得兽医护理机会有限的主人[13,59]。这种差异可能影响模型准确性,如果预测工具优先使代表性良好的群体受益,可能加剧现有的不平等。因此,持续评估不同群体间的模型性能对于避免加剧现有不平等至关重要[40]。
临床风险与模型透明度
一个核心的伦理和临床挑战是预测模型的可解释性。复杂的 ML 系统——特别是那些涉及集成方法和深度学习架构的——可能作为黑箱运作,产生风险估计而不清楚解释各个输入如何贡献于输出[60]。校准不良的模型可能导致不必要的诊断检查、过度治疗或客户焦虑增加,而性能不佳的模型可能未能识别真正处于风险中的动物[52]。因此,关于模型开发、验证指标和预期用途的透明度至关重要[60]。
人类医学中的专业组织越来越强调 AI 部署中可解释性和临床监督的重要性,使临床医生能够将预测置于具体背景并识别模型输出中的潜在错误或偏见[53,60–62]。虽然类似的兽医指南仍在形成中,但相同的原则适用:临床医生必须理解并能够传达预测是如何生成的、使用了什么数据、以及不确定性在哪里[62]。提供可解释特征或临床直觉风险因素的模型因此可能在实践中更容易被采用,即使其原始预测性能略低[53,60]。
走向负责任的实施
降低这些风险需要严格的模型评估,包括外部验证、随时间监测性能漂移,以及清晰传达不确定性[52,53]。整合到临床工作流程中应优先考虑可解释性和与兽医决策过程的一致性[62]。来自真实世界结局的持续反馈可以支持在学习型卫生系统框架内的迭代模型优化[63]。
最终,预测工具在与临床专业知识、与宠物主人的共同决策,以及对兽医护理所处更广泛社会和环境背景的理解相结合时最为有效。负责任的实施不仅依赖技术创新,还依赖伦理管理和审慎的临床整合。
临床决策责任
预测工具旨在支持而非取代临床判断。最终,兽医仍对诊断和治疗决策负责[61]。过度依赖算法输出可能削弱专业自主权,并可能导致自动化偏倚——即用户过度顺从模型建议,即使这些建议与临床直觉或背景信息相矛盾[64]。在人类医学中,关于用户过度顺从算法建议的自动化偏倚已有充分记录[64]。类似的风险在兽医背景中也存在,特别是当 AI 工具越来越多地嵌入诊所管理平台时。
当预测输出影响高风险决策时,如积极诊断、长期治疗承诺或临终讨论,责任的明确划分尤为重要。兽医必须保留护理决策的权威,并将模型衍生的见解与体格检查发现、客户偏好和更广泛的临床情况相结合。
精准兽医医学的未来方向
兽医疾病预测的未来在于日益整合、纵向和自适应的系统,这些系统结合多个数据流以支持个体化护理和群体健康。
跨数据流整合
大型纵向项目如犬衰老项目证明了大规模链接临床、行为和环境变量的可行性,使得对疾病风险和衰老轨迹的更全面建模成为可能[24]。然而,技术挑战仍然存在,包括数据格式协调、缺失信息管理以及跨不同来源的时间尺度对齐[43]。
学习型卫生系统
精准兽医医学的一个长期愿景是开发学习型卫生系统,其中临床数据被持续分析以改进预测模型并近乎实时地指导实践[63]。人类医疗系统已开始探索这种方法,利用电子病历数据支持动态临床决策支持[18]。
监管与验证需求
随着预测工具越来越嵌入临床工作流程,验证、报告和监督的标准将变得越来越重要[53,65]。在临床部署之前,跨独立群体的外部验证应被视为最低要求[52,66]。
走向有临床意义的精准护理
最终,预测建模在兽医医学中的成功将取决于其能否改善对动物、主人和临床医生有意义的结局。这不仅包括疾病预防和早期发现,还包括生活质量、客户满意度和临床资源的高效利用。精准兽医医学不太可能仅通过算法实现。相反,它将通过预测工具与临床专业知识、透明沟通以及对真实世界实践影响的持续评估的审慎整合而出现。通过同时拥抱技术创新和专业管理,兽医医学可以利用预测分析支持更主动、更个性化和更公平的护理。
总结
疾病预测与精准兽医医学是人工智能的新兴应用,旨在识别未来疾病风险并支持更主动、更个体化的患者护理。通过整合来自兽医电子病历、保险理赔、主人报告信息、可穿戴设备和环境来源的数据,预测模型可以在个体和群体水平估计广泛疾病的风险。虽然这些工具在慢性疾病管理、传染病监测和预防保健分层等领域展示了前景,但其性能在很大程度上取决于数据质量、代表性和适当的验证。预测输出应被解读为概率估计而非确定性诊断,用于补充而非取代临床专业知识。随着兽医数据集的持续扩展和预测技术的成熟,负责任地实施人工智能有潜力推进精准兽医医学、改善预防保健,并支持为伴侣动物提供更个性化和更公平的健康结局。
临床要点
- 预测模型估计的是风险,而非诊断。高风险预测应提示更密切的监测或有针对性的诊断,但不确认疾病存在。
- 模型输出反映了构建它们所用的数据。来自转诊群体、参保宠物或高参与度主人队列的预测可能无法推广到所有临床环境。
- 人工智能工具作为决策辅助时最为有效。预测模型应补充临床判断,而非取代体格检查、诊断检测或临床医生经验。
- 数据质量强烈影响预测性能。不完整的临床记录、不一致的编码或缺失的环境和行为变量可能降低模型可靠性。
- 临床部署前外部验证至关重要。预测工具应在独立群体和临床环境中展示一致的性能。
- 与客户的风险沟通需要谨慎的框架。概率预测应作为带不确定性的估计呈现,而非确定性结局。
- 整合多个数据源可改善预测。结合电子病历、保险理赔、可穿戴设备数据和环境暴露可增强复杂疾病的风险分层。
- 伴侣动物可作为环境和传染病风险的哨兵。兽医数据可能在 One Health 框架内提供共享健康威胁的早期信号。
利益冲突声明
作者声明无利益冲突。
参考文献
-
Harrell FE Jr, Lee KL, Mark DB. Multivariable prognostic models: issues in developing models, evaluating assumptions and adequacy, and measuring and reducing errors. Stat Med 1996;15(4):361–87.
-
Chen YM, Hsiao TH, Lin CH, et al. Unlocking precision medicine: clinical applications of integrating health records, genetics, and immunology through artificial intelligence. J Biomed Sci 2025;32(1):16.
-
Kengne AP, Masconi K, Mbanya VN, et al. Risk predictive modelling for diabetes and cardiovascular disease. Crit Rev Clin Lab Sci 2014;51(1):1–12.
-
Schofield I, Brodbelt DC, Kennedy N, et al. Machine-learning based prediction of Cushing's syndrome in dogs attending UK primary-care veterinary practice. Sci Rep 2021;11(1):9035.
-
Biourge V, Delmotte S, Feugier A, et al. An artificial neural network-based model to predict chronic kidney disease in aged cats. J Vet Intern Med 2020;34(5):1920–31.
-
Golubnitschaja O, Baban B, Boniolo G, et al. Medicine in the early twenty-first century: paradigm and anticipation - EPMA position paper 2016. EPMA J 2016;7(1):23.
-
van Smeden M, Reitsma JB, Riley RD, et al. Clinical prediction models: diagnosis versus prognosis. J Clin Epidemiol 2021;132:142–5.
-
Baldwin JR, Caspi A, Meehan AJ, et al. Population vs individual prediction of poor health from results of adverse childhood experiences screening. JAMA Pediatr 2021;175(4):385–93.
-
O'Brien JS, McCullough A, Debes C, et al. Using pet insurance claims to predict occurrence of vector-borne and zoonotic disease in humans in the United States. Sci Rep 2024;15(1):14407.
-
Paynter AN, Dunbar MD, Creevy KE, et al. Veterinary big data: when data goes to the dogs. Animals (Basel) 2021;11(7).
-
Obermeyer Z, Emanuel EJ. Predicting the future - big data, machine learning, and clinical medicine. N Engl J Med 2016;375(13):1216–9.
-
Bajwa J, Munir U, Nori A, et al. Artificial intelligence in healthcare: transforming the practice of medicine. Future Healthc J 2021;8(2):e188–94.
-
Sexton C, Ruple A. Canine sentinels and our shared exposome. Science 2024;384(6701):1170–2.
-
O'Neill DG, Church DB, McGreevy PD, et al. Prevalence of disorders recorded in dogs attending primary-care veterinary practices in England. PLoS One 2014;9(3):e90501.
-
Pittaway C, Schofield I, Dobson J, et al. Incidence and risk factors for the diagnosis of lymphoma in dogs in UK primary-care practice. J Small Anim Pract 2019;60(10):581–8.
-
O'Neill DG, Edmunds GL, Urquhart-Gilmore J, et al. Dog breeds and conformations predisposed to osteosarcoma in the UK: a VetCompass study. Canine Med Genet 2023;10(1):8.
-
Farrell S, Appleton C, Noble PJM, et al. PetBERT: automated ICD-11 syndromic disease coding for outbreak detection in first opinion veterinary electronic health records. Sci Rep 2023;13(1):18015.
-
Rajkomar A, Dean J, Kohane I. Machine learning in medicine. N Engl J Med 2019;380(14):1347–58.
-
Wang Y, Wang L, Rastegar-Mojarad M, et al. Clinical information extraction applications: a literature review. J Biomed Inform 2018;77:34–49.
-
Singhal K, Azizi S, Tu T, et al. Large language models encode clinical knowledge. Nature 2023;620(7972):172–80.
-
Jiang F, Jiang Y, Zhi H, et al. Artificial intelligence in healthcare: past, present and future. Stroke Vasc Neurol 2017;2(4):230–43.
-
O'Neill DG, Church DB, McGreevy PD, et al. Approaches to canine health surveillance. Canine Genet Epidemiol 2014;1:2.
-
Egenvall A, Nødtvedt A, Penell J, et al. Insurance data for research in companion animals: benefits and limitations. Acta Vet Scand 2009;51(1):42.
-
Creevy KE, Akey JM, Kaeberlein M, et al. Dog Aging Project Consortium. An open science study of ageing in companion dogs. Nature 2022;602(7895):51–7.
-
Schmid SM, Sexton CL, Yoerger A, et al. Accuracy of owner-reported diagnoses for dogs enrolled in the dog aging project as compared to veterinary electronic medical records. PLoS One 2026;21(3):e0342427.
-
Sexton CL, Reichel C, Keyser A, et al. Dog Aging Project Consortium. Comparing owner reported and genetic breed identification reveals high concordance in a large cohort from the dog aging project. Sci Rep 2025;15(1):30493.
-
Mitek A, Jones D, Newell A, et al. Wearable devices in veterinary health care. Vet Clin North Am Small Anim Pract 2022;52(5):1087–98.
-
Colpoys J, DeCock D. Evaluation of the FitBark activity monitor for measuring physical activity in dogs. Animals (Basel) 2021;11(3):781.
-
Brown DC, Boston RC, Farrar JT. Use of an activity monitor to detect response to treatment in dogs with osteoarthritis. J Am Vet Med Assoc 2010;237(1):66–70.
-
Sacoor C, Leitão S, Domingues C, et al. Continuous activity monitoring using a wearable sensor in dogs with osteoarthritis: an exploratory case series. Animals (Basel) 2025;15(18):2639.
-
Thonen-Fleck C, Sharon KP, Enomoto M, et al. Physical activity monitors in companion animal chronic pain research-A review focused on osteoarthritis pain. Animals (Basel) 2025;15(14):2025.
-
Schuster LAH, de Carvalho AL, Dos Santos EAR, et al. Physical activity measured with an accelerometer in dogs following extracapsular stabilisation to treat cranial cruciate ligament rupture. J Small Anim Pract 2023;64(10):619–25.
-
Karimjee K, Harron RCM, Piercy RJ, et al. A standardised approach to quantifying activity in domestic dogs. R Soc Open Sci 2024;11(7):240119.
-
Martin KW, Olsen AM, Duncan CG, et al. The method of attachment influences accelerometer-based activity data in dogs. BMC Vet Res 2017;13(1):48.
-
Xue D, Collins D, Kauffman M, et al. Big data from small animals: integrating multi-level environmental data into the dog aging project. Rev Sci Tech 2023;42:65–74.
-
Hosmer DW, Lemeshow S, Sturdivant RX. Applied logistic regression. 3rd edition. Wiley-Blackwell; 2013.
-
Breiman L. Statistical modeling: the two cultures. Stat Sci 2001;16(3):199–231.
-
Hastie T, Tibshirani R, Friedman J. The elements of statistical learning: data mining, inference, and prediction. 2nd edition. Springer; 2009.
-
McEvoy FJ, Proschowsky HF, Müller AV, et al. Deep transfer learning can be used for the detection of hip joints in pelvis radiographs and the classification of their hip dysplasia status. Vet Radiol Ultrasound 2021;62(4):387–93.
-
Franco-Gonçalo P, Leite P, Alves-Pimenta S, et al. A computer-aided approach to canine hip dysplasia assessment: measuring femoral head–acetabulum distance with deep learning. Appl Sci (Basel) 2025;15(9):5087.
-
Kim Y, Kim J, Kim S, et al. Machine learning-based risk prediction model for canine myxomatous mitral valve disease using electronic health record data. Front Vet Sci 2023;10:1189157.
-
Sanaei N, Zamani-Ahmadmahmudi M, Nassiri SM. Development of machine learning models to predict clinical outcome and recovery time in dogs with parvovirus enteritis. Front Vet Sci 2025;12:1555714.
-
Lustgarten JL, Zehnder A, Shipman W, et al. Veterinary informatics: forging the future between veterinary medicine, human medicine, and one health initiatives. JAMIA Open 2020;3(2):306–17.
-
Liu Y, Nordone SK, Yabsley MJ, et al. Quantifying the relationship between human lyme disease and Borrelia burgdorferi exposure in domestic dogs. Geospat Health 2019;14(1).
-
Matheson R, Sexton CL, Wise CF, et al. Silicone tags as an effective method of monitoring environmental contaminant exposures in a geographically diverse sample of dogs from the dog aging project. Front Vet Sci 2024;11:1394061.
-
Sexton CL, O'Brien J, Lytle J, et al. Testing for heavy metals in drinking water collected from dog aging project participants. PLOS Water 2025;4(8):e0000296.
-
Bonnett BN, Egenvall A, Olson P, et al. Mortality in insured Swedish dogs: rates and causes of death in various breeds. Vet Rec 1997;141(2):40–4.
-
Egenvall A, Bonnett BN, Häggström J, et al. Morbidity of insured Swedish cats during 1999-2006 by age, breed, sex, and diagnosis. J Feline Med Surg 2010;12(12):948–59.
-
Bonnett BN, Egenvall A, Hedhammar A, et al. Mortality in over 350,000 insured Swedish dogs from 1995-2000: I. Breed-gender-age- and cause-specific rates. Acta Vet Scand 2005;46(3):105–20.
-
Egenvall A, Bonnett BN, Hedhammar Å, et al. Mortality in over 350,000 insured Swedish dogs from 1995–2000: II. breed-specific age and survival patterns and relative risk for causes of death. Acta Vet Scand 2005;46(3):121.
-
Egenvall A, Nødtvedt A, Häggström J, et al. Mortality of life-insured Swedish cats during 1999-2006: age, breed, sex, and diagnosis. J Vet Intern Med 2009;23(6):1175–83.
-
Steyerberg EW. Clinical prediction models: a practical approach to development, validation, and updating. 2nd edition. Springer Nature; 2019.
-
Kelly CJ, Karthikesalingam A, Suleyman M, et al. Key challenges for delivering clinical impact with artificial intelligence. BMC Med 2019;17(1):195.
-
Gigerenzer G, Gaissmaier W, Kurz-Milcke E, et al. Helping doctors and patients make sense of health statistics. Psychol Sci Public Interest 2007;8(2):53–96.
-
Edwards A, Elwyn G, Covey J, et al. Presenting risk information–a review of the effects of "framing" and other manipulations on patient outcomes. J Health Commun 2001;6(1):61–82.
-
Elwyn G, Frosch D, Thomson R, et al. Shared decision making: a model for clinical practice. J Gen Intern Med 2012;27(10):1361–7.
-
Price WN 2nd, Cohen IG. Privacy in the age of medical big data. Nat Med 2019;25(1):37–43.
-
Obermeyer Z, Powers B, Vogeli C, et al. Dissecting racial bias in an algorithm used to manage the health of populations. Science 2019;366(6464):447–53.
-
Pasteur K, Diana A, Yatcilla JK, et al. Access to veterinary care: evaluating working definitions, barriers, and implications for animal welfare. Front Vet Sci 2024;11:1335410.
-
Rudin C. Stop explaining black box machine learning models for high stakes decisions and use interpretable models instead. Nat Mach Intell 2019;1(5):206–15.
-
Topol EJ. High-performance medicine: the convergence of human and artificial intelligence. Nat Med 2019;25(1):44–56.
-
Amann J, Blasimme A, Vayena E, et al. Precise4Q Consortium. Explainability for artificial intelligence in healthcare: a multidisciplinary perspective. BMC Med Inform Decis Mak 2020;20(1):310.
-
Friedman CP, Rubin JC, Sullivan KJ. Toward an information infrastructure for global health improvement. Yearb Med Inform 2017;26(1):16–23.
-
Goddard K, Roudsari A, Wyatt JC. Automation bias: empirical results assessing influencing factors. Int J Med Inform 2014;83(5):368–75.
-
Collins GS, Reitsma JB, Altman DG, et al. Transparent reporting of a multivariable prediction model for individual prognosis or diagnosis (TRIPOD): the TRIPOD statement. BMJ 2015;350:g7594.
-
Wolff RF, Moons KGM, Riley RD, et al. PROBAST: a tool to assess the risk of bias and applicability of prediction model studies. Ann Intern Med 2019;170(1):51–8.