一项新研究揭示了一种有前景的方法，即利用机器学习在大流行期间或任何治疗方法短缺的情况下更有效地分配医疗治疗。

今天在《JAMA 健康论坛》上发布的研究结果发现，使用机器学习来帮助分发药物（使用 COVID-19 大流行来测试模型）时，预期住院治疗会显着减少。事实证明，与实际和观察到的护理相比，该模型可以相对减少约 27% 的住院治疗。

该论文的资深作者阿迪特·金德 (Adit Ginde) 表示：“在大流行期间，医疗保健系统处于崩溃边缘，许多医疗保健机构依靠先到先得或患者的健康史来确定谁接受了治疗。”医学博士，科罗拉多大学安舒茨医学院急诊医学教授。

但是，这些方法通常无法解决患者在服用药物以确定预期临床效果时可能发生的复杂相互作用，并且可能会忽视那些将从治疗中受益最多的患者。我们证明，这些场景中的机器学习是一种使用实时、真实世界的证据来为公共卫生决策提供信息的方法。”

Adit Ginde，医学博士，科罗拉多大学安舒茨医学院急诊医学教授

在这项研究中，研究人员表明，使用机器学习来研究个体患者如何从治疗中获得不同的益处，可以为医生、卫生系统和公共卫生官员提供比传统分配评分模型更准确的实时信息。生物统计与信息学助理教授肖梦丽博士开发了基于机器学习的mAb分配系统。

“现有的分配方法主要针对那些未经治疗而住院的高风险患者。他们可能会忽视从治疗中获益最多的患者。我们根据机器学习的治疗效果异质性估计开发了一个 mAb 分配点系统。我们的分配优先考虑与大因果治疗效应相关的患者特征，寻求在资源有限的情况下优化整体治疗效益”，创新设计与分析中心 (CIDA) 的肖教授说道。

具体而言，研究人员研究了添加基于策略学习树 (PLT) 的新型方法在资源紧张期间优化 COVID-19 中和单克隆抗体 (mAb) 分配的有效性。

PLT 方法旨在以最大限度提高人群整体利益的方式决定为个人分配哪些治疗（确保那些住院风险最高的人一定会接受治疗，尤其是在治疗稀缺的情况下）。这是通过考虑不同因素如何影响治疗效果来完成的。

研究人员将机器学习方法与现实世界的决策以及大流行期间使用的标准积分分配系统进行了比较。他们发现，与观察到的分配情况相比，基于 PLT 的模型显示预期住院率显着减少。这一改进也超过了单克隆抗体筛选评分的性能，该评分通过观察抗体进行诊断。

“使用机器学习等创新方法可以超越 COVID-19 大流行等危机，并表明即使在任何情况下资源有限，我们也可以提供个性化的公共卫生决策。不过，要做到这一点，重要的是稳健、真实-时间数据平台，就像我们为这个项目开发的那样，是为了提供数据驱动的决策而实施的，”CU Anschutz 科罗拉多临床和转化科学研究所的领导者 Ginde 补充道。

《JAMA 健康论坛》上的这篇论文将是科罗拉多州单克隆抗体 (mAB) 项目的第 15 份出版物，该项目由美国国立卫生研究院 (NIH) 和国家转化科学促进中心资助（NCATS）。该项目的重点是为大多数人提供最大的好处，在 COVID-19 大流行期间利用真实世界的证据进行数据驱动的决策。

研究人员希望本文能够鼓励公共卫生实体、政策制定者和灾害管理机构研究机器学习等方法，以便在未来发生公共卫生危机时实施。