AI分析揭示了四个长期的新冠患者亚群和需求
作者：Perelman School of Medicine at the University of Pennsylvania
在美国各地，没有一家医院是相同的。设备、人员配备、技术能力和患者群体都可能有所不同。因此，虽然为患有常见疾病的人制定的档案似乎是通用的，但现实是，无论是在就诊患者的构成还是为其提供护理的医院的情况方面，都存在一些细微差别，需要单独关注。
新的研究表明人工智能可以通过梳理不同医院的数据来创建与患者类似的更精细的患者群体，从而改善整体护理当地居民医院实际看到的。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– 分析了长期感染新冠病毒患者的电子健康记录，揭示了四个患者亚群的集合 – 例如患有哮喘或哮喘的患者心理健康状况– 以及他们的具体需求。
“现有的研究汇集了来自多家医院的数据，但没有考虑患者群体的差异，这限制了将研究结果应用于当地决策的能力，”生物统计学教授、该研究的资深作者陈勇博士说。研究。“我们的工作提供了更广泛的知识的好处，以及医院特定应用的精确性。”
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，来检查从八家不同儿科医院提取的长期新冠患者的去识别化数据。通过这种方式，他们能够找出四个患有既往健康状况的患者亚群。这四项包括：
- 心理健康状况，包括焦虑、抑郁、神经发育障碍和注意力缺陷多动障碍
- 特应性/过敏性慢性病，例如哮喘或过敏
- 非复杂的慢性病，例如视力问题或失眠
- 复杂的慢性疾病，包括患有心脏或神经肌肉疾病的疾病
确定了这些亚人群后，该系统还能够跟踪整个医院的患者需要什么护理，并指出更新的档案，使医院能够更好地解决不同患者类型的增长问题。
该研究的主要作者、前博士后吴琼博士说：“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种一刀切的后续护理和治疗方法。”陈实验室的研究员，现任匹兹堡大学公共卫生学院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，但对于需要更专业护理的高风险亚组来说可能还不够。例如，我们的研究发现，患有复杂疾病的患者慢性病住院和急诊就诊人数增幅最为显着。”
潜在迁移学习系统直接提取了这些人群对医院的影响，准确指出了资源应该分配到哪里。
如果机器学习系统该计划于 2020 年 3 月左右实施，吴认为，它可能提供了一些关键的见解，以减轻大流行的一些影响，包括将资源和护理集中在最有需要的群体上。
吴说：“这将使每家医院能够更好地预测 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，协作学习跨医院将特别有价值，解决数据稀缺问题，同时针对每个医院定制见解医院的独特需求。”回顾过去的 COVID-19 大流行及其后果等危机，吴、陈及其团队开发的人工智能系统可以帮助医院管理更常见的情况。
“由于可用资源、患者人口统计和地区健康负担的差异，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着差异，”吴说。
吴表示，研究人员相信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。
即使是无法积极整合机器学习的医院也可以通过共享信息受益。
吴说：“通过利用联网医院的共享发现，他们可以获得宝贵的见解。”
更多信息：Qiong Wu 等人，一种用于估计 SARS-CoV-2 感染后医院特定急性后医疗保健需求的潜在迁移学习方法，图案（2024）。DOI：10.1016/j.patter.2024.101079
引文：AI 分析揭示了四个长期的新冠患者亚组和需求（2025 年 1 月 10 日）检索日期：2025 年 1 月 10 日来自 https://medicalxpress.com/news/2025-01-ai-analysis-reveals-covid-patent.html
本文档受版权保护。除了出于私人学习或研究目的的任何公平交易外，不得未经书面许可，不得复制部分内容。所提供的内容仅供参考。
关于《AI分析揭示了四个长期的新冠患者亚群和需求》的评论
暂无评论