新的医疗人工智能工具识别出更多长新冠病例

研究人员开发了一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新冠病毒病例，这种疾病通常很神秘，可能会出现一系列持久症状，包括疲劳、慢性咳嗽和感染 SARS 后的脑雾。冠状病毒-2。

结果可以确定更多的人应该接受这种潜在的衰弱病症的护理。他们发现的病例数量也表明，长期新冠病毒可能会被大大低估。

“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，”资深作者、人工智能中心人工智能研究负责人侯赛因·埃斯蒂里博士说麻省总医院布里格姆分校学习医疗保健系统（CAIBILS）生物医学信息学和哈佛医学院医学副教授。

“通过这项工作，我们也许最终能够了解 Long Covid 的真相，更重要的是，了解如何治疗它。”

麻省总医院布里格姆分校研究人员的研究结果已发表在该杂志上医学。

长效新冠病毒，也称为 SARS-CoV-2 感染后急性后遗症 (PASC)，包括多种症状。出于研究目的，埃斯蒂里和同事将其定义为也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，而且还必须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 2 个月或更长时间。

中使用的算法人工智能该工具是通过从麻省总医院布里格姆总医院系统的 14 家医院和 20 个社区卫生中心的近 300,000 名患者的临床记录中提取去识别化的患者数据而开发的。人工智能不必依赖单一的诊断代码，而是利用 Estiri 及其同事开发的一种名为“精确表型分析”的新颖方法，该方法可以筛选个人记录，识别与 Covid-19 相关的症状和状况，并跟踪症状时间，以便将其与其他疾病区分开来。

例如，该算法可以检测呼吸短促是否可能是由心力衰竭或哮喘等已有疾病引起的，而不是由长期新冠病毒引起的。

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患有长新冠病毒。

– 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 Alaleh Azhir 医学博士说道。麻省总医院布里格姆医疗保健系统的成员。

这种新方法提供的以患者为中心的诊断也可能有助于减轻当前的偏见诊断研究人员表示，对于 Long Covid，他们指出，被诊断为 Long Covid 的官方 ICD-10 诊断代码的患者倾向于那些更容易获得医疗保健的患者。

虽然其他诊断研究表明大约 7% 的人口患有长期新冠肺炎，但这种新方法揭示了更高的估计值——22.8%。作者表示，这个数字更符合国家趋势，并更真实地描绘了这一流行病的长期死亡人数。

研究人员确定他们的工具比 ICD-10 代码捕获的准确率高出约 3%，同时偏差也较小。

具体来说，他们的研究表明，他们确定的 Long Covid 患者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 Long Covid 算法不同，结果偏向于某些人群，例如那些更容易接触到病毒的人群关心。

“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。

这项研究和人工智能工具的局限性包括，算法中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之前病情可能恶化的情况，这可能是长期新冠症状。

例如，如果一名患者患有慢性阻塞性肺病，并且在患上 Covid-19 之前病情恶化，那么即使他们持续存在的症状是长期的 Covid 指标，该算法也可能会将其去除。近年来 Covid-19 检测量的下降也使得很难确定患者何时可能首次感染 Covid-19。该研究也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，全球的医生和医疗保健系统都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。