利用人工智能揭示医院患者对COVID的长期护理需求

一种新的机器学习技术可以帮助为医院系统的临床决策提供信息，以应对COVID-19长期护理的挑战。

　　

在美国，没有一家医院是一样的。设备、人员、技术能力和患者群体都可能不同。因此，虽然为患有常见疾病的人制定的档案似乎是普遍的，但现实情况是，无论是在就诊患者的构成方面，还是在提供护理的医院的情况下，都存在细微差别，需要个人关注。

新的研究表明，人工智能可以通过梳理不同医院的数据，创建更精细的患者群体，与医院实际看到的当地人群相似，从而潜在地帮助改善整体护理。人工智能可以帮助确定典型的护理需求，例如需要哪些特定的部门和护理团队来满足患者的需求。该项目由宾夕法尼亚大学佩雷尔曼医学院的研究人员领导，其研究结果发表在《细胞模式》上，该项目分析了长期covid患者的电子健康记录，揭示了四个患者亚群的收集-例如患有哮喘或精神健康状况的患者-以及他们的特定需求。

生物统计学教授、该研究的资深作者陈勇博士说：“现有的研究汇集了来自多家医院的数据，但没有考虑到患者群体的差异，这限制了将研究结果应用于当地决策的能力。”“我们的工作方向是提供可操作的见解，可以为个别机构量身定制，并进一步实现提供更具适应性的个性化护理的目标。”

研究小组使用了一种名为“潜在迁移学习”的机器学习人工智能技术，检查了来自八家不同儿科医院的长期covid患者的去识别数据。通过这种方法，他们能够找出四种已经存在健康问题的患者亚群。这四项包括：

• 精神健康状况，包括焦虑、抑郁、神经发育障碍和注意缺陷多动障碍

• 特应性/过敏性慢性疾病，如哮喘或过敏

• 非复杂的慢性疾病，如视力问题或失眠

• 复杂的慢性疾病，包括心脏或神经肌肉疾病

确定了这些亚群后，该系统还能够跟踪整个医院的患者需要哪些护理，并指向更新的资料，使医院能够更好地应对不同类型患者的增加。

“如果不确定这些不同的亚群，临床医生和医院可能会提供一刀切的后续护理和治疗方法，”该研究的主要作者Qiong Wu博士说，他是陈实验室的前博士后研究员，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，但对于需要更多专业护理的高风险亚组可能不够。例如，我们的研究发现，患有复杂慢性病的患者在住院和急诊就诊方面的增幅最大。”

潜在迁移学习系统直接提取了这些人群对医院的影响，指出了资源应该分配到哪里。

如果机器学习系统在2020年3月左右到位，Wu认为它可能会提供一些关键的见解，以减轻大流行的一些影响，包括将资源和护理集中在最有可能需要的群体上。

“这将使每家医院更好地预测对ICU床位、呼吸机或专业人员的需求，有助于平衡COVID-19护理和其他基本服务之间的资源。”“此外，在大流行的早期阶段，医院之间的协作学习特别有价值，可以解决数据短缺问题，同时根据每家医院的独特需求定制见解。”

回顾过去的危机，如COVID-19大流行及其后果，吴、陈和他们的团队开发的人工智能系统可以帮助医院管理更常见的疾病。

“由于可用资源、患者人口统计和地区卫生负担的差异，糖尿病、心脏病和哮喘等慢性病在不同医院之间往往表现出显著的差异。”

研究人员认为，他们开发的系统可以在许多医院和卫生系统中实施，只需要“相对简单”的数据共享基础设施，即使是不能积极采用机器学习的医院也可以通过共享信息受益。

“通过利用网络医院的共同发现，这将使他们获得有价值的见解”。