一种新开发的机器学习技术在支持医院系统的临床决策方面展现出巨大潜力，尤其是在应对长期新冠护理的复杂性方面。
美国的每家医院都各不相同。设备、人员水平、技术水平和患者群体都有所差异。因此，尽管通用的患者档案对于常见病症看似普遍适用，但往往无法解决个别医院需求和其所服务患者的独特性。
根据这项研究，人工智能（AI）可以通过分析来自不同医院的数据来弥合这一差距，从而创建更贴合当地人口的定制化档案。这种方法使医院能够精确定位护理需求，例如哪些科室和护理团队最为需要。
宾夕法尼亚大学佩雷尔曼医学院的研究人员在《Cell Patterns》上发表了这项研究，他们通过分析长期新冠患者的电子健康记录（EHRs），识别出了四个不同的患者亚群，包括患有哮喘和心理健康问题的患者及其具体护理需求。
“现有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。我们的工作提供了更广泛的知识，同时具备医院特定应用的精确性。”该研究的资深作者、宾夕法尼亚大学生物统计学系教授陈勇博士表示。
研究团队使用了一种称为“潜在转移学习”的机器学习技术，分析了八家儿科医院的去标识化电子健康记录。该方法揭示了四个具有预先存在条件的长期新冠患者亚群：
- 心理健康状况：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：哮喘和过敏。
- 非复杂慢性疾病：如视力问题或失眠。
- 复杂慢性疾病：心脏或神经肌肉疾病。
通过识别这些亚群，系统跟踪了所需的护理类型，使医院可以调整资源分配并量身定制治疗策略。
“如果不识别这些不同的亚群，临床医生和医院可能会提供一刀切的后续护理和治疗方案。虽然这种统一的方法可能适用于一些患者，但对于需要更专门护理的高风险亚群来说可能是不够的。例如，我们的研究表明，患有复杂慢性疾病的患者在住院和急诊就诊方面有显著增加。”该研究的主要作者、匹兹堡大学公共卫生学院生物统计学系助理教授吴琼博士指出。
该系统的分析突显了这些亚群对医院运营的影响，提供了关于资源分配的具体建议。吴琼补充说：“如果这项技术早在2020年初就可用，它将为医院更好地应对疫情需求提供关键见解。”
“这将使每家医院能够更好地预测ICU病床、呼吸机或专业人员的需求——帮助平衡COVID-19护理和其他必要服务之间的资源。此外，在疫情初期，跨医院的合作学习将特别有价值，解决数据稀缺问题，同时针对每家医院的独特需求量身定制见解。”
除了像新冠疫情这样的危机及其后果，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病症。
“糖尿病、心脏病和哮喘等慢性疾病由于资源可用性、患者人口统计学和地区健康负担的不同，往往在各医院之间表现出显著差异。”吴琼表示。
研究人员相信，他们开发的系统可以在许多医院和医疗系统中实施，只需“相对简单”的数据共享基础设施即可。即使无法积极整合机器学习的医院也能受益于共享信息。
吴琼补充道：“通过利用联网医院的共享发现，它们可以获得宝贵的信息。”
(全文结束)
