在初级护理中使用多代理系统早期诊断轴向脊柱关节病

为什么背痛需要更智能的帮助

慢性下腰痛非常常见，以致许多人——甚至忙碌的全科医生——可能会忽视那一小部分实际上正在发展成严重炎性脊柱疾病的患者，即轴向脊柱关节病。这种疾病可以在多年内悄然损害下脊柱的关节，在应当是人生最活跃的几十年里使患者残疾。本文所依据的研究探讨了一支由数字助理组成的人工智能“团队”是否能帮助一线医生更早识别这些高危患者，并及时把他们转诊至专科以防止长期伤害。

日常背痛背后隐藏的疾病

轴向脊柱关节病（axSpA）常在年轻成年人中发病，表现为持续数月的背痛，活动时缓解，夜间加重。尽管其全球患病率相对较低，但近一半未经治疗的患者在三年内出现残疾，约70%在五年内出现残疾。然而，该病通常在症状出现后近七年才被确诊。主要原因之一是初级保健医生——他们首先接触大多数背痛患者——并不总是熟悉预警信号或不擅长阅读骶髂关节的专业MRI影像，而骶髂关节是该病通常起始的小关节。因此，许多人在被确诊之前在各诊所和检查之间辗转。

由多个数字“代理”组成的人工智能护理团队

为了解决这一问题，研究者创建了一个名为SpAgents的系统——一组协调工作的人工智能组件，像临床团队成员一样合作。PlannerAgent负责与医生的对话并决定接下来需要做什么。DataAgent检索电子健康记录，收集症状、实验室检查和书面MRI报告。ToolAgent运行专门的影像模型，解读骶髂关节的MRI并生成骨髓水肿的标准化评分，骨髓水肿是活动性炎症的标志。最后，DoctorAgent综合所有信息，给出三种结果之一：axSpA、非axSpA或“不确定”，并提供解释及进一步检查或转诊建议。

在真实患者和真实医生中测试系统

研究团队使用来自一所主医院及另外五个中心的596名疑似axSpA患者的数据评估了SpAgents。他们将这些病例分为训练集、验证集和独立测试集。在这些组别中，SpAgents对axSpA的识别具有较高的敏感性（约86–94%的真实患者被正确标记）和稳健的特异性（约74–87%的非患者被正确排除）。在与七位医生的直接比较中——包括三位全科医生、三位不同经验水平的风湿科医生和一位骨科外科医生——SpAgents的表现与资深专科医生相当，同时在敏感性和总体准确性方面明显优于经验较少的临床医生。

从经验中学习并更明智地利用影像

除了原始准确率外，该系统还被设计为更像谨慎的临床医生而非僵化的计算器。一个长期记忆模块存储过去已确诊的病例，使人工智能在面对新患者时能够“回忆”相似情形，随时间稳步改进判断。加入该记忆后，各数据集的敏感性和准确性均有所提高。影像ToolAgent也发挥了重要作用：通过应用专门的MRI模型量化骶髂关节炎症，它提高了系统在避免误报的同时仍能捕捉真实疾病的能力。研究者进一步通过向SpAgents提供不同层次的信息来模拟真实世界的做法——从仅有患者病史到完整的实验室和MRI数据。随着数据量的增加，“不确定”回答的比例显著下降，准确率上升，凸显出血液标志物、基因检测和MRI各自如何共同促成更清晰的诊断图景。

帮助一线医生更早、更安全地做决策

也许最引人注目的是，当全科医生和初级风湿科医生在SpAgents的帮助下重复评估时，他们的敏感性和准确性显著提高——且这些提升在三个月后仍然持续。换言之，该人工智能系统不仅作为第二意见存在；它还充当训练伙伴，强化良好的诊断习惯。作者指出SpAgents仍有局限——例如在区分MRI上所有类型的骨改变方面存在困难，以及需要与医院信息系统更深度集成——但它已经在真实临床数据上提供了准确、低成本的支持。对于顽固性背痛的患者，这类人工智能助手可能意味着多年不确定与及时确诊之间的差别，从而让他们的脊柱和生活保持更自由的活动能力。

引用: Ji, X., Li, Z., Zeng, L. et al. Early diagnosis of axial spondyloarthritis in primary care using multi-agent systems. npj Digit. Med. 9, 185 (2026). https://doi.org/10.1038/s41746-026-02372-4

关键词: 轴向脊柱关节病, 背痛诊断, 医疗人工智能, 多代理系统, 磁共振成像