Nhấn mạnh
– Một công cụ hỗ trợ quyết định được hỗ trợ bởi trí tuệ nhân tạo (AI-DA) tạo ra các mô hình số hóa song sinh cá nhân đã cải thiện chất lượng quyết định (K-DQI) và giảm xung đột và hối tiếc dài hạn so với chỉ giáo dục.
– Bệnh nhân được phân ngẫu nhiên vào nhóm AI-DA có chức năng khớp gối cụ thể tốt hơn đáng kể từ 6 đến 9 tháng (KOOS JR) và sự nhất quán điều trị cao hơn.
– Không có sự khác biệt nào được quan sát về điểm chia sẻ quyết định ngay lập tức, chức năng khớp gối sau 3 tháng, sự hài lòng của bệnh nhân hoặc bác sĩ, thời gian hẹn khám, hoặc tỷ lệ thực hiện phẫu thuật thay khớp gối toàn phần (TKA).
Nền tảng
Thoái hóa khớp gối (OA) là nguyên nhân hàng đầu gây đau mãn tính và khuyết tật trên toàn thế giới và là chỉ định phổ biến cho phẫu thuật thay khớp gối toàn phần (TKA). Quyết định về TKA là nhạy cảm với sở thích: sự cân bằng giữa lợi ích tiềm năng (giảm đau và cải thiện chức năng) và rủi ro (phức tạp, quá trình phục hồi) thay đổi giữa các bệnh nhân và phụ thuộc vào giá trị cá nhân. Chia sẻ quyết định (SDM) và công cụ hỗ trợ quyết định (DAs) cải thiện kiến thức, đồng bộ hóa điều trị với giá trị của bệnh nhân, và có thể giảm xung đột trong quyết định, nhưng các DAs truyền thống hiếm khi bao gồm thông tin dự đoán cá nhân và động.
Tổng quan về “số hóa song sinh”—mô hình ảo dữ liệu và tính toán của một cá nhân có thể mô phỏng kết quả dưới các lựa chọn khác nhau—hứa hẹn sẽ tăng cường SDM bằng cách cung cấp dự đoán lợi ích:rủi ro cá nhân hóa. Thử nghiệm do Jayakumar et al. đánh giá xem liệu một công cụ hỗ trợ quyết định được hỗ trợ bởi AI (AI-DA) tạo ra các mô hình số hóa song sinh từ dữ liệu PROMs và lâm sàng có cải thiện chất lượng quyết định, kết quả báo cáo của bệnh nhân, và trải nghiệm SDM so với chỉ giáo dục hay không cho bệnh nhân OA gối đang cân nhắc TKA.
Thiết kế nghiên cứu
Đây là một thử nghiệm lâm sàng ngẫu nhiên, mở nhãn được thực hiện tại một phòng khám chỉnh hình liên kết đại học ở Hoa Kỳ từ tháng 2 năm 2021 đến tháng 11 năm 2022 (ClinicalTrials.gov NCT04805554). Các bệnh nhân đủ tiêu chuẩn có OA gối và đang cân nhắc TKA. Người tham gia được phân ngẫu nhiên vào:
- Nhóm can thiệp: một AI-DA đầy đủ bao gồm giáo dục bệnh nhân, thu thập sở thích, và dự đoán lợi ích:rủi ro cụ thể cho từng người cho TKA được tạo ra qua các mô hình số hóa song sinh (n≈101 được phân tích); hoặc
- Nhóm đối chứng: chỉ giáo dục bệnh nhân (n≈100 được phân tích).
Kết quả chính: Công cụ Đánh giá Chất lượng Quyết định về Thoái hóa Khớp Gối (K-DQI). Kết quả phụ/quá trình: Đo lường SDM CollaboRATE, Thang đo Xung đột Quyết định (DCS), Thang đo Hối tiếc Quyết định (DRS), KOOS JR (chức năng khớp gối) sau 3 và 6 tháng, sự hài lòng của bệnh nhân và bác sĩ, thời gian hẹn khám, sự nhất quán điều trị, và tỷ lệ TKA. Theo dõi kéo dài từ 6 đến 9 tháng cho một số kết quả.
Kết quả chính
Thử nghiệm đã phân ngẫu nhiên và phân tích 201 bệnh nhân (nhóm can thiệp 101; nhóm đối chứng 100). Đặc điểm cơ bản tương tự (tuổi trung bình ~64 tuổi; ~54–60% nữ).
Kết quả chính: chất lượng quyết định
Bệnh nhân sử dụng AI-DA báo cáo chất lượng quyết định cao hơn trên K-DQI (trung bình [ĐB] 84.4 [25.2]) so với nhóm chỉ giáo dục (71.4 [29.8]), P = 0.0011. Điều này đại diện cho sự cải thiện có ý nghĩa thống kê và lâm sàng trong việc hiểu các lựa chọn, rủi ro, và sự đồng bộ của điều trị với mục tiêu của bệnh nhân.
Xung đột và hối tiếc trong quyết định
Xung đột trong quyết định (DCS) thấp hơn ở nhóm can thiệp (1.0 [3.1]) so với nhóm đối chứng (3.3 [5.8]); P = 0.0029. Hối tiếc quyết định sau 6–9 tháng cũng thấp hơn ở nhóm AI-DA (DRS 18.2 [19.5]) so với nhóm đối chứng (27.2 [24.2]); P = 0.0051. Không có sự khác biệt thống kê đáng kể về hối tiếc sau 3 tháng.
Chức năng khớp gối và kết quả lâm sàng
Sức khỏe khớp gối cụ thể được đo bằng KOOS JR có lợi thế cho AI-DA sau 6–9 tháng (69.5 [17.3]) so với nhóm đối chứng (47.0 [18.4]); P < 0.0001. Sự khác biệt lớn này cho thấy cải thiện đáng kể về kết quả báo cáo của bệnh nhân trong中期，并表明使用个性化决策辅助工具的患者在中期内的治疗效果更好。在3个月时，两组之间的KOOS JR评分相似。
共同决策、满意度、预约时间及手术率
CollaboRATE评分（简短的SDM测量）在各组之间没有差异，患者的满意度或医生的满意度以及预约时间也没有差异。重要的是，TKA率相似，这表明AI-DA改变了决策的质量和随后的功能结果，而不仅仅是增加或减少手术利用率。治疗一致性（根据患者声明的偏好接受治疗的比例）在干预组（91%）中高于对照组（76%），P = 0.0043。
效应大小的解释
K-DQI的改善和决策冲突及后期后悔的减少表明，个性化的预后信息增强了患者的决策过程。6–9个月时KOOS JR的显著差异表明，高质量且与偏好一致的选择可能具有潜在的下游临床益处；然而，单中心试验无法确定因果关系，其机制值得进一步探索。
专家评论和背景分析
临床背景：SDM是针对如TKA等偏好敏感型决策的以患者为中心的护理的核心。高质量的DAs始终增加知识并减少决策冲突（Cochrane综述）。本研究通过将由AI驱动的个性化预后建模整合到DA工作流程中，推进了该领域的发展——将数字孪生概念具体化，以便在临床会诊期间提供特定个体的结果轨迹。
数字孪生如何增加价值？
通用的风险和收益信息不考虑患者异质性。数字孪生可以结合年龄、基线功能、合并症、既往PROMs和其他临床变量来估计该个体的可能结果和并发症。理论上，更相关的预测可以提高患者预期的准确性，并使护理与他们的目标更加一致，这两者都与更好的患者报告结果和更低的后悔相关。
试验的优势
- 随机设计，基于实际诊所实施。
- 使用经过验证的决策质量、冲突和后悔的测量工具以及患者报告的膝关节功能。
- 展示了过程（决策质量、一致性）和中期结果（KOOS JR）措施的改进。
局限性和普遍性
主要局限包括单中心进行和开放标签设计。此处总结形式中未充分描述具体的AI模型、训练数据及其外部有效性；需要独立验证这些模型在不同人群中的表现。6–9个月时KOOS JR的意外大差异需要谨慎解读：可能的解释包括（1）更好地匹配治疗与患者偏好，（2）依从性或参与度的差异，或（3）未测量的混杂因素。需要在多中心试验中复制并在更多社会经济和种族多样化的人群中评估。
监管、伦理和实施考虑
在临床会诊中嵌入AI预后模型引发了关于透明度、可解释性和模型错误责任的问题。有效实施需要向患者明确解释模型的不确定性、定期监控性能，并随着新数据的积累提供更新途径。对医生的培训也是必不可少的，以将个性化预测整合到共享讨论中，而不是替代医生的判断。
临床意义和下一步行动
这项试验证明，使用数字孪生预测的AI增强型DAs可以在不增加咨询时间或改变手术率的情况下，显著提高考虑TKA的患者决策质量和中期功能。对于考虑这些工具的临床医生和卫生系统，优先事项应包括：
- 在不同环境和人群中独立外部验证预测模型。
- 评估长期结果、成本效益和潜在的意外影响（例如，在亚组中的不公平表现）。
- 制定模型透明度、患者沟通不确定性的标准，以及与电子健康记录的集成。
结论
Jayakumar等人的随机试验表明，一个生成患者特定数字孪生的AI支持决策辅助工具可以提高考虑TKA的膝关节OA患者的决策质量，减少决策冲突和后期后悔，并显著改善6–9个月的膝关节功能。这些发现支持在偏好敏感型外科决策中进一步调查个性化、数据驱动的决策支持，同时强调需要更广泛的验证、透明报告模型性能和谨慎实施，以确保公平受益。
资助和试验注册
资助：美国医疗保健研究与质量局拨款（R21HS027037）。ClinicalTrials.gov注册：NCT04805554。
参考文献
1. Jayakumar P, Rathouz PJ, Lin E, Trutner Z, Uhler LM, Andrawis J, Koenig KM, Tsevat J, Bozic KJ. Shared decision making using digital twins in knee osteoarthritis care: a randomized clinical trial of an AI-enabled decision aid versus education alone on decision quality, physical function, and user experience. EClinicalMedicine. 2025 Oct 4;89:103545. doi: 10.1016/j.eclinm.2025.103545. PMID: 41112505; PMCID: PMC12528923.
2. Stacey D, Légaré F, Lewis K, Barry MJ, Bennett CL, Eden KB, Holmes‑Rovner M, Llewellyn‑Thomas H, Lyddiatt A, Thomson R, Trevena L. Decision aids for people facing health treatment or screening decisions. Cochrane Database Syst Rev. 2017 Apr 12;4(4):CD001431.
3. Elwyn G, Frosch D, Thomson R, Joseph‑Williams N, Lloyd A, Kinnersley P, Cording E, Tomson D, Dodd C, Rollnick S, Edwards A. Shared decision making: a model for clinical practice. J Gen Intern Med. 2012 Oct;27(10):1361–1367.
4. Barry MJ, Edgman‑Levitan S. Shared decision making — the pinnacle of patient‑centered care. N Engl J Med. 2012 Mar 1;366(9):780–781.
5. Topol EJ. High‑performance medicine: the convergence of human and artificial intelligence. Nat Med. 2019 Jan;25(1):44–56.
文章缩略图的AI图像提示
一名医生和一位中年患者坐在诊所的桌子前，正在查看显示逼真的3D膝关节模型和结果概率图的平板电脑；患者看起来很投入，医生指着平板电脑；温暖自然的诊所照明；照片级真实感，高细节，专业的医疗环境。