季节性流感、呼吸道合胞病毒（RSV）和COVID-19正在全美范围内广泛传播，这些呼吸道疾病引起了广泛的健康担忧，各地纷纷报告病例。
佛罗里达大西洋大学（Florida Atlantic University）护理学院和工程与计算机科学学院的研究人员与纪念医疗系统（Memorial Healthcare System）合作，利用人工智能和机器学习技术，在医疗保健领域推动创新，提升决策能力，最终改善个人和群体的健康结果。
为了预测疫情期间COVID-19的严重程度及最佳治疗干预措施，研究人员建立了一个基于AI的决策支持系统，通过识别影响住院患者病情严重程度的关键因素来实现这一目标。
具体来说，该研究旨在预测是否需要入住重症监护室（ICU），是否需要机械通气，或是否需要入住中级监护室（IMCU）。研究的目标是利用这些特征，使治疗计划的预测更快更准确，从而防止危重情况恶化。
研究人员分析了2020年3月至2021年1月期间，南佛罗里达州一家医院收治的5,371名COVID-19患者的电子健康记录（EHR）数据。他们训练了三个随机森林模型，使用24个变量（包括社会人口统计学、共病和药物）来预测机械通气、ICU和IMCU的需求。分析集中在入院时收集的数据。
研究表明，年龄、种族、性别、体重指数（BMI）、腹泻、糖尿病、高血压、早期肾病和肺炎是这三个结果中最重要预测因子的共同因素。此外，65岁及以上（“老年人”）、男性、当前吸烟者以及BMI分类为“超重”和“肥胖”的人群患重症的风险更高。研究还探讨了风险因素共存时疾病的严重程度。
例如，肺炎合并糖尿病增加了机械通气的风险，而腹泻与糖尿病之间的强烈互动则增加了ICU入住的风险。IMCU的严重程度与老年人中腹泻和肺炎、高血压的组合有关。此外，像血管紧张素II受体阻滞剂和ACE抑制剂等药物似乎降低了疾病的严重程度，这与之前关于其保护作用的研究一致。
模型的可解释性识别出最重要的特征来自“社会人口统计学特征”、“入院前共病”和“药物”类别。然而，“入院前共病”在不同的危重情况下发挥了关键作用。除了单个特征的重要性外，特征交互也提供了关键信息，有助于在疫情期间患者激增时急需制定治疗计划时预测患者最可能的结果。
与其他早期研究相比，这种方法的独特之处在于使用易于获取的EHR数据，并结合机器学习可解释性技术和传统统计方法。这种方法使研究人员能够更深入地理解不同严重程度水平下的年龄、性别、BMI和共病（如糖尿病和高血压）等特征。
“虽然其他研究使用了生物标志物，但其临床可及性有限，因此我们的发现对于现实世界中的医疗应用更具实用性。”佛罗里达大西洋大学Christine E. Lynn护理学院教授兼统计学家David Newman博士说。
“通过识别影响COVID-19结果的关键因素和交互作用，我们的研究为改善患者护理和支持医疗系统在高需求条件下提供了可行的见解。”
AI和机器学习在医疗保健领域的应用不仅限于COVID-19，还为各种医学专科和医疗环境中的诊断、治疗选择、疾病监测和患者结果改善带来了希望。这种知识使公共卫生当局能够主动规划和实施有针对性的干预措施，减轻疾病爆发的影响并优化医疗交付。
“开发一个用于预测COVID-19住院患者关键临床事件的AI驱动决策支持系统，不仅满足了应对疫情的紧急需求，还在医疗保健领域开辟了AI和机器学习的新天地。”Debarshi Datta博士说。
“通过利用先进的技术和算法，如机器学习，研究人员和临床医生可以利用数据驱动的洞察力来革新患者护理。”
(全文结束)
