使用人工智能驱动的决策支持系统来预测COVID-19的严重程度并识别最佳干预措施，研究人员分析了5,371名入院患者在佛罗里达州南部一家医院的电子健康记录数据。
季节性流感、呼吸道合胞病毒（RSV）和COVID-19正在全美范围内传播，这些呼吸道疾病引发了广泛的健康担忧，各地纷纷报告病例。
来自佛罗里达大西洋大学（Florida Atlantic University）克里斯汀·E·林恩护理学院（Christine E. Lynn College of Nursing）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，正在推动医疗领域的创新，增强决策能力，最终改善个人和群体的健康结果。
为了预测疫情期间COVID-19的严重程度和最佳治疗干预措施，研究人员建立了一个AI驱动的决策支持系统，通过识别影响住院患者疾病结果的关键特征来进行预测。
具体而言，该研究旨在预测是否需要进入重症监护室（ICU）进行有或无机械通气治疗，以及是否需要进入中级护理病房（IMCU）。其目标是利用这些特征实现更快更准确的治疗计划预测，防止危重病情恶化。
研究人员分析了2020年3月至2021年1月期间因COVID-19入院的5,371名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，使用包括社会人口统计学、共病情况和药物在内的24个变量来预测机械通气、ICU和IMCU的入住需求。分析集中在入院时收集的数据。
该研究结果于2024年秋季发表在《诊断学》（Diagnostics）杂志上，结果显示，对于需要机械通气的ICU、ICU和IMCU入住的预测模型中，年龄、种族、性别、体重指数（BMI）、腹泻、糖尿病、高血压、早期肾病和肺炎是最重要因素。
研究人员还发现，65岁及以上（“老年人”）、男性、现吸烟者以及BMI分类为“超重”和“肥胖”的个体患重症的风险更高。该研究还探讨了多个风险因素共同作用下疾病的严重程度。
“这是少数几项探索风险因素之间相互作用的研究之一，使用了机器学习解释方法。例如，肺炎与糖尿病结合增加了机械通气的风险，而腹泻与糖尿病的强交互作用则增加了ICU入住的风险。”佛罗里达大西洋大学克里斯汀·E·林恩护理学院助理教授Debarshi Datta博士说，“IMCU的严重程度与老年人腹泻与肺炎和高血压的组合有关。此外，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，这与先前关于其保护作用的研究一致。”
模型解释性确定的最重要特征来自“社会人口统计学特征”、“入院前共病情况”和“药物”类别。然而，“入院前共病情况”在不同危重条件下发挥了重要作用。除了单个特征的重要性外，特征之间的交互作用也为在疫情高峰期需要紧急治疗计划时预测患者最可能的结果提供了关键信息。
与早期研究相比，这种新方法通过使用易于获得的EHR数据，结合机器学习解释技术和传统统计方法，使人们能够更深入地了解年龄、性别、BMI和共病情况（如糖尿病和高血压）在不同严重程度水平上的影响。
“虽然其他研究使用了生物标志物，但它们在临床应用中的有限可及性使我们的发现更具实用性，适用于现实世界的医疗应用。”佛罗里达大西洋大学克里斯汀·E·林恩护理学院教授兼统计学家David Newman博士说，“通过识别影响COVID-19结果的关键因素及其交互作用，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的运作提供了可行的见解。”
重要的是，AI/机器学习在医疗领域的应用不仅限于COVID-19，还具有改进诊断、治疗选择、疾病监测和患者结果的巨大潜力，涵盖了各种医学专科和医疗环境。这些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服务。
“开发一个AI驱动的决策支持系统，以预测住院患者的COVID-19关键临床事件，不仅满足了大流行期间的紧急需求，还在AI和机器学习在医疗领域的应用方面开辟了新的天地。”Datta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)
