这项研究于30日发表在《Comouters，Materials&Continua》杂志上，论文题目为《基于数据预测新冠肺炎患者临床严重程度的一种人工智能框架（Towards an Artificial Intelligence Framework for Data-Driven Prediction of Coronavirus Clinical Severity）》

论文链接:

https://www.techscience.com/cmc/v63n1/38464

研究人员计划将预测模型用于新冠肺炎患者的诊断过程，用其帮助医生区分哪些病人需要入院治疗、哪些病人可以居家观察，从而节省医疗资源。

新冠病毒肺炎的临床轨迹与多种其他类型的肺炎都不相同。

在感染初期，患者的症状比较轻微，仅会咳嗽、发烧和偶发呼吸困难。约20%的患者会在5~8天后症状加重，出现呼吸困难、肺炎等症状，甚至会发展为急性呼吸窘迫症候群（ARDS），面临死亡风险。

对于这部分重症病人来说，氧气供应至关重要。患者需要长时间使用呼吸机，甚至要用到体外膜肺氧合技术（Extracorporeal Membrane Oxygenation，ECMO）来维持生命。

在这种情况下，医院能否在短时间内把病人分流就成为争取治疗时间、节省医疗资源的关键。

然而，到目前为止，对新冠肺炎病程发展的预测模型还没有建立起来，可供进一步研究的公共患者信息数据库也尚属空白。在临床中，医生不得不在缺乏经验的情况下艰难抉择。

为了解决病毒感染早期轻重症病人难以区分的问题，纽约大学格罗斯曼医学院（NTU Grossman School of Medicine）、纽约大学克朗数学研究所（Courant Institute of Mathematical Sciences）、温州市中心医院及苍南县人民医院的研究人员利用人工智能技术，设计出了一个新冠肺炎病情预测模型。

1、决策树+随机森林+支持向量机

利用人工智能技术解决医学难题已经不是新闻。如果运用得当，AI技术可以帮助医生做出临床决策。例如，人工智能工具可以通过分析视网膜图像预测心脏病发作风险，对埃博拉患者进行风险评级、为肺结核患者做胸透，或者是给癌症患者拍摄X光图像。

在对新冠肺炎病情预测工具的研究中，研究人员用到了决策树、随机森林和支持向量机这三种机器学习模型。

论文中指出，相比于传统的逻辑回归模型，上述三种模型的预测更加准确。

首先，这三种方法可以更熟练地处理病程早期的小数据集或不平衡数据集，也可以处理疾病数据分析中不可线性分离的数据。也就是说，预测模型可以在发病早期就做出预测，而不需要依靠全面、完整的数据集。

其次，预测模型也避免了对单一生物标记或实验室环境的依赖。为了使预测结果可靠，模型汇集了一组通用预测因子。

另外，预测分析模型的决策阈值是在训练过程中自动确定的，而逻辑回归方法的决策阈值需要手动设定。

2、53位患者参与实验，预测准确率高至70~80%

根据论文，本项研究用到了53位病人的数据。这些病人曾在温州市中心医院和苍南县人民医院就诊，目前已经全部出院。

温州市中心医院和苍南县人民医院的医生提供了病人的病例，病例内容包括既往病史、诊断过程中的临床、实验室和放射学特征。此外，医生还记录了病人采取的治疗措施（如抗病毒药物、皮质类固醇、抗生素、免疫球蛋白的使用情况）。

根据记录，患者平均年龄43岁，其中男性3人、女性20人，少数病患在染病后一周内出现了包括肺炎在内的严重症状。

研究过程中，病人数据被输入计算机模型。模型会利用决策树方法来跟踪不同的选项，并推测出每一个选择之下的潜在后果。

通过对比预测结果和53位患者实际的病情发展情况，研究人员发现模型预测准确率达到了70~80%。这就说明该预测模型可以在保证较高准确率的前提下帮助医生区分“患病”和“非患病”病人。

除了达到较高的准确率，预测模型还找出了与病情严重程度更相关的三个指标。

此前医生在临床诊断中，通常借助胸部X射线计算机断层成像显示毛玻璃样、发烧、咳嗽和淋巴细胞减少等症状来做出判断。但是，预测分析模型结果显示这些指标的准确性并不高。

论文中写道：“机器学习显示出预测ARDS最准确的特征并不是临床医生标准化选择的指标，也不是这些值的严重异常。”

根据模型预测结果，最具预测性的特征是：转氨酶（aminotransferase，ALT）水平、肌痛和较高的血红蛋白水平。

模型分析结果显示，新冠肺炎患者的ALT水平有不明显升高，但其与病情严重程度相关度很高，居于各种指标首位。

肌痛通常不被认为能够反映疾病严重程度，但它可能说明了其他的指标没有反映出的体内大面积炎症和异常细胞因子反应。

此外，血红蛋白水平越高，预后越差。研究人员推测这是由于血红蛋白与其他因素之间的相关性。

这项研究结果为之后医生进行临床诊断指出了新的关注方向。

尽管预测分析模型取得了较高的准确率，但是它也存在许多缺陷。

论文中写道：“研究仅用到了53名患者的数据，其中还有一些人的数据并不完整，症状严重程度也比较有限。”

同时，研究人员也强调预测模型应当被用于辅助决策，而不是取代医生做临床诊断。“我们的目标并不是创建一个黑匣子来取代临床推理，而是创建一个能够提供洞察力的模型。”

为了达到这一目的，研究人员称将在之后进行深入研究与验证，“使用更多数据对模型进行进一步改造，增强其预测能力，使其成为一个有用的工具。”

文章来源：Genetic Engineering&Biotechnology News，Imaging Technology News，Comouters，Materials&Continua

本文转载自其他网站，不代表大健康派观点和立场。如有内容和图片的著作权异议，请及时联系我们（邮箱：scarlet.s@djkpai.com）