在美国各地，每家医院的情况都不尽相同。设备、人员配置、技术水平和患者群体各不相同。因此，尽管针对常见病症开发的患者档案看似普遍适用，但实际上存在需要个别关注的细微差别，既包括就诊患者的构成，也包括提供护理的医院情况。
新的研究表明，人工智能可以通过梳理不同医院的数据来创建更精细的患者群体，这些群体更接近医院实际接诊的当地人口。人工智能可以帮助确定常见的护理需求，例如哪些特定科室和护理团队是满足患者需求所必需的。这项研究由宾夕法尼亚大学佩雷尔曼医学院的研究人员领导，研究成果发表在《Cell Patterns》上。研究分析了长期新冠患者的电子健康记录，揭示了四个具有不同健康状况的患者亚群及其具体需求。
“现有的研究汇集了多个医院的数据，但未能考虑患者群体的差异，这限制了将研究结果应用于本地决策的能力，”生物统计学教授、该研究的资深作者陈勇博士表示。“我们的工作提供了更广泛的知识，同时具有医院特定应用的精确性。”
研究团队使用了一种名为“潜在迁移学习”的机器学习人工智能技术，分析了从八家不同儿科医院提取的长期新冠患者的匿名数据。通过这一方法，他们识别出了四个具有预先存在健康状况的患者亚群。这些亚群包括：
- 心理健康状况，如焦虑、抑郁、神经发育障碍和注意力缺陷多动障碍（ADHD）
- 过敏性慢性疾病，如哮喘或过敏
- 非复杂慢性疾病，如视力问题或失眠
- 复杂慢性疾病，如心脏或神经肌肉疾病
确定这些亚群后，系统还能够跟踪患者在整个医院中所需的护理，指向更新的患者档案，使医院能够更好地应对不同类型患者数量的增加。
“如果不识别这些不同的亚群，临床医生和医院可能会对后续护理和治疗采取一刀切的方法，”该研究的主要作者吴琼博士说。她曾是陈勇实验室的博士后研究员，现在是匹兹堡大学公共卫生学院的生物统计学助理教授。“虽然这种统一的方法可能对某些患者有效，但对于需要更专业护理的高风险亚群来说可能是不够的。例如，我们的研究发现，患有复杂慢性疾病的患者在住院和急诊就诊方面增幅最大。”
潜在迁移学习系统直接指出了这些患者群体对医院的影响，明确了资源应分配到的具体位置。如果这套机器学习系统在2020年3月左右就已经投入使用，吴琼认为它可能会提供一些关键见解，以减轻疫情的一些影响，包括集中资源和护理于最有可能需要帮助的群体。
“这将使每家医院更好地预测ICU床位、呼吸机或专业人员的需求，有助于在新冠护理和其他基本服务之间平衡资源，”吴琼说。“此外，在疫情初期，跨医院的合作学习尤其有价值，可以解决数据稀缺问题，同时根据每家医院的独特需求定制见解。”
除了应对像新冠疫情这样的危机，吴琼、陈勇及其团队开发的AI系统还可以帮助医院管理更常见的慢性病。
“糖尿病、心脏病和哮喘等慢性病往往因可用资源、患者人口统计和区域健康负担的不同而在各医院之间表现出显著差异，”吴琼说。
研究人员相信，他们开发的系统可以在许多医院和卫生系统中实施，只需相对简单的数据共享基础设施。即使无法主动整合机器学习的医院也可以通过共享信息受益。
“通过利用联网医院共享的研究成果，可以使它们获得宝贵的见解，”吴琼说。
这项研究部分得到了美国国立卫生研究院（NIH）和以患者为中心的结果研究所（PCORI）项目的资助支持。
(全文结束)
