AI智能体如何预测母婴健康结局？

传统孕产结局预测为何仍有局限？

现有针对妊娠结局和婴儿结局的预测模型，往往只关注数量有限的终点，同时依赖成本较高的检测或影像学检查。这种方式虽然能够提供部分健康信息，但难以充分利用孕期持续产生的电子健康记录（EHR）数据，也不容易对母亲、胎儿和婴儿在不同阶段的健康变化进行连续评估。

什么是母婴人工智能智能体MoChiAgent？

研究人员开发了Mother-Child AI Agent（MoChiAgent，母婴人工智能智能体）。它是一种基于大型语言模型（LLM）的临床辅助系统，能够协调多个工具，将连续产生的电子健康记录数据整合起来，用于预测母亲和婴儿可能出现的疾病。

与只针对单一疾病或单一时间点进行判断的模型不同，MoChiAgent的设计重点在于处理连续、动态的临床信息。这些信息包括常规实验室检查结果，从而尝试对母婴健康状况进行更持续的预测。

MoChiAgent的核心预测引擎如何工作？

MoChiAgent的核心预测引擎名为MoChiFormer。研究人员使用4,401,599次纵向临床就诊记录对MoChiFormer进行开发和内部评估，并使用独立的母亲和婴儿队列开展外部验证。

外部验证所使用的独立队列分别包含263,452次母亲就诊记录和23,192次婴儿就诊记录。这意味着，研究不仅在开发数据中检验模型表现，也尝试通过独立数据评估其预测能力。

MoChiFormer能够处理哪些临床信息？

1. 重建缺失的实验室检查值

真实世界的电子健康记录并不总是完整的，部分实验室检查可能没有记录，或者在不同就诊阶段出现缺失。MoChiFormer能够重建缺失的实验室检查数值，以便更充分地利用现有临床资料。

这项能力的意义在于，模型不会只依赖那些记录完整的病例，而是尝试从连续的医疗记录中恢复部分缺失信息，减少数据不完整对健康预测的影响。

2. 减少不同批次之间的影响

临床数据可能来自不同时间、不同检测批次或不同记录环境，不同批次之间可能存在差异。MoChiFormer能够减少批次效应，尽量降低这些非疾病因素对模型学习结果的干扰。

3. 学习电子健康记录中的健康表征

MoChiFormer还能够从电子健康记录中学习健康状况的数据表征。这些表征可用于多个方向，包括孕周估计、胎龄估计、婴儿年龄估计、健康轨迹建模，以及当前和未来疾病风险分层。

MoChiFormer可以预测哪些健康变化？

根据来源内容，MoChiFormer支持对母婴健康进行多个层面的分析：

• 孕周估计：根据临床记录帮助判断妊娠所处阶段。
• 胎儿年龄估计：围绕胎儿发育阶段进行年龄估计。
• 婴儿年龄估计：对婴儿所处的年龄阶段进行判断。
• 健康轨迹建模：观察健康状态随时间发生的变化。
• 疾病风险分层：区分当前疾病风险和未来疾病风险的不同层级。

这些功能共同构成了一个连续性的健康评估框架：模型不只是回答“现在是否存在某种风险”，还尝试利用纵向记录理解健康状态如何变化，以及未来可能出现怎样的疾病风险。

知识搜索工具在系统中承担什么作用？

在MoChiFormer完成预测后，MoChiAgent还会调用知识搜索工具（Knowledge Search Tool）。来源内容显示，该工具会利用前述预测结果检索循证依据。不过，当前提供的摘要在此处被截断，未进一步说明知识搜索工具所检索的具体证据类型、检索结果形式及其临床使用方式。

这项研究的主要价值是什么？

从来源内容来看，MoChiAgent的特点主要体现在三个方面。第一，它将大型语言模型、多个工具和临床预测引擎结合起来，形成面向母婴健康的临床辅助系统。第二，它尝试整合包括常规实验室检查在内的连续电子健康记录，而不是只依赖少量单次检测。第三，它同时关注孕期、胎儿期和婴儿期的健康状态，以及当前和未来的疾病风险。

需要注意的是，来源提供的内容主要是摘要前半部分，尚未包含具体疾病终点、预测性能指标、临床应用结果及局限性等完整信息。因此，现有材料能够说明MoChiAgent和MoChiFormer的设计思路与验证规模，但不足以进一步判断其对某一种具体疾病的预测准确度或实际临床效果。

我认为：母婴健康不是一张静止的检查单，而是一条不断延伸的健康轨迹。MoChiAgent试图把分散在连续就诊记录中的信息重新连接起来，让实验室检查、孕期阶段和未来风险不再各自沉默。不过，人工智能若要真正走进临床，除了能够预测，还必须让预测有依据、可核验、能被医生理解。否则，数据越多，结论也可能只是更整齐的迷雾。

#MoChiFormer