AI 工具显示长期新冠病毒可能会影响 23% 的人 - 神经科学新闻

概括：一种新的人工智能工具在 22.8% 的患者中发现了长期新冠肺炎，这一比例远高于之前的诊断率。通过分析近 300,000 名患者的大量健康记录，该算法通过区分与 SARS-CoV-2 感染相关的症状而不是既往病史来识别长期新冠肺炎。

这种人工智能方法被称为“精确表型分析”，可帮助临床医生区分长期的新冠症状和其他健康问题，并可将诊断准确性提高约 3%。

主要事实：

• 基于人工智能的精确表型分析：只有在排除健康记录中的其他症状原因后才能识别长期新冠肺炎，从而提高诊断准确性。
• 更广泛的代表性：算法诊断反映了马萨诸塞州的人口概况，解决了传统诊断代码中发现的偏差。
• 研究潜力：算法可能会推动未来对长 COVID 亚型的遗传和生化因素的研究。

来源：哈佛

虽然早期的诊断研究表明 7% 的人口患有长期新冠肺炎，但根据该研究，麻省总医院布里格姆将军开发的新人工智能工具显示这一比例要高得多，为 22.8%。 

这种基于人工智能的工具可以筛选电子健康记录，帮助临床医生识别长期感染新冠病毒的病例。这种常常神秘的病症可能包括一系列持久症状，包括感染 SARS-CoV-2 后的疲劳、慢性咳嗽和脑雾。 

所使用的算法是通过从麻省总医院布里格姆总医院系统中 14 家医院和 20 个社区卫生中心的近 30 万名患者的临床记录中提取去识别化的患者数据而开发的。

结果发表在期刊上 医学接收xiv，可以确定更多应该接受这种潜在的衰弱状况护理的人。

“我们的人工智能工具可以将模糊的诊断过程变得清晰而集中，使临床医生能够理解具有挑战性的情况，”人工智能和生物医学中心人工智能研究负责人、资深作者侯赛因·埃斯蒂里（Hossein Estiri）说MGB 学习医疗保健系统信息学 (CAIBILS) 和哈佛医学院医学副教授。 

“通过这项工作，我们最终可能能够了解长期新冠病毒的真实情况，更重要的是，了解如何治疗它。”

出于研究目的，Estiri 和同事将长期新冠病毒定义为与感染相关的排除诊断。这意味着该诊断无法在患者独特的病历中得到解释，但与新冠病毒感染有关。此外，诊断需要在 12 个月的随访窗口中持续两个月或更长时间。 

Estiri 及其同事开发的新方法称为“精确表型分析”，它通过筛选个人记录来识别与 COVID-19 相关的症状和状况，以跟踪一段时间内的症状，以便将其与其他疾病区分开来。

例如，该算法可以检测呼吸急促是否是由心力衰竭或哮喘等既存疾病引起的，而不是由长期新冠肺炎引起的。只有当所有其他可能性都用尽时，该工具才会将患者标记为长期感染新冠病毒。 

– 医生经常面临着必须费力地浏览错综复杂的症状和病史的网络，不确定要拉动哪条线索，同时平衡繁忙的病例量。拥有一个由人工智能驱动的工具，可以有条不紊地为他们做这件事可能会改变游戏规则，”共同主要作者、布莱根妇女医院的内科住院医师、该医院的创始成员 Alaleh Azhir 说。麻省总医院布里格姆医疗保健系统。

研究人员表示，新工具以患者为中心的诊断也可能有助于减轻当前长期新冠肺炎诊断中存在的偏见，他们指出，使用官方 ICD-10 诊断代码对长期新冠肺炎进行诊断的趋势是倾向于那些更容易获得医疗保健的人。

研究人员表示，他们的工具比 ICD-10 代码捕获的数据准确率高出约 3%，同时偏差也较小。具体来说，他们的研究表明，他们确定的长期感染新冠病毒的个体反映了马萨诸塞州更广泛的人口构成，这与依赖单一诊断代码或个人临床经历的长期新冠病毒算法不同，结果偏向于某些人群，例如那些更容易接触到新冠病毒的人群。关心。

“更广泛的范围确保了经常在临床研究中被边缘化的边缘社区不再被忽视，”埃斯蒂里说。

该研究和人工智能工具的局限性包括，算法用于解释长期新冠症状的健康记录数据可能不如医生在就诊后临床记录中捕获的数据完整。

另一个限制是该算法没有捕捉到先前病情可能恶化的情况，而这种情况可能是长期的新冠症状。例如，如果患者患有慢性阻塞性肺病（COPD），并且在出现 COVID-19 之前病情恶化，则该算法可能会删除这些发作，即使它们是长期的 COVID 指标。

近年来 COVID-19 检测的下降也使得很难确定患者何时可能首次感染 COVID-19。

该研究仅限于马萨诸塞州的患者。

未来的研究可能会在患有特定疾病（如慢性阻塞性肺病或糖尿病）的患者群体中探索该算法。研究人员还计划以开放获取方式公开发布该算法，以便全球的医生和医疗系统可以在其患者群体中使用它。 

除了为更好的临床护理打开大门外，这项工作还可能为未来研究长期新冠病毒各种亚型背后的遗传和生化因素奠定基础。

“关于长期新冠疫情的真正负担的问题——迄今为止仍然难以捉摸的问题——现在似乎更容易实现，”埃斯蒂里说。

资金：美国国立卫生研究院、国家过敏和传染病研究所 (NIAID) R01AI165535、国家心肺血液研究所 (NHLBI) OT2HL161847 和国家转化科学促进中心 (NCATS) UL1 TR003167、UL1 TR001881 提供了支持和 U24TR004111。

J. Hügel 的工作部分由德国学术交流中心 (DAAD) 的 IFI 项目奖学金、联邦教育和研究部 (BMBF) 以及德国研究基金会 (426671079) 资助。

关于这个 AI 和长篇新冠肺炎研究新闻

作者：MGB通讯公司
来源：哈佛
接触：MGB Communications — 哈佛大学
图像：该图像来自《神经科学新闻》

原创研究：开放访问。
—用于筛选患有 COVID-19 急性后遗症 (PASC) 患者研究队列的精确表型分析作为排除诊断— 侯赛因·埃斯蒂里 (Hossein Estiri) 等人著。医学接收xiv

抽象的

用于筛选患有 COVID-19 急性后遗症 (PASC) 患者研究队列的精确表型分析作为排除诊断

由于缺乏可重复的精确表型分析算法以及 PASC 诊断代码 (ICD-10 U09.9) 的准确性欠佳、人口统计学偏差和低估，对患有 COVID-19 急性后遗症的患者 (PASC) 进行可扩展的识别具有挑战性。）。

在一项回顾性病例对照研究中，我们开发了一种精确表型分析算法，用于识别 PASC 患者的研究队列，定义为排除诊断。我们使用了来自马萨诸塞州 14 家医院和 20 个社区卫生中心的 29.5 万名患者的纵向电子健康记录 (EHR) 数据。

该算法采用注意机制来排除先验条件可以解释的后遗症。我们进行了独立的图表审查，以调整和验证我们的精确表型分析算法。

与 U09.9 诊断代码相比，我们的 PASC 表型分析算法提高了精确度和患病率估计，并减少了识别 Long COVID 患者的偏差。

我们的算法识别了超过 24000 名患者的 PASC 研究队列（相比之下，使用 U09.9 诊断代码时约为 6000 名患者），精确度为 79.9%（相比之下，使用 U09.9 诊断代码时为 77.8%）。

我们估计 PASC 患病率为 22.8%，接近该地区的国家估计值。我们还提供了概述临床属性的深入分析，包括已确定的器官挥之不去的影响、合并症概况以及 PASC 风险的时间差异。

本研究中提出的 PASC 表型分析方法具有卓越的精度，可以准确地衡量 PASC 的患病率，而不会低估它，并且在确定长 COVID 患者时表现出较小的偏差。

根据我们的算法得出的 PASC 队列将作为深入研究 Long COVID 的遗传、代谢组学和临床复杂性的跳板，克服近期 PASC 队列研究的限制，这些研究因其有限的规模和可用的结果数据而受到阻碍。