发布
2 分钟前于
作者
新闻编辑一项新研究发现使用机器学习来帮助分发药物并使用 Covid-19 大流行来测试模型时，预期住院率将显着减少。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% 的住院率。
在大流行期间，医疗保健系统正处于崩溃点，许多医疗保健机构依赖先到先得、该论文的资深作者、科罗拉多大学安舒茨医学校区急诊医学教授 Adit Ginde 医学博士表示，首先要根据接受治疗的患者的健康史来实施治疗。
但是，这些方法通常不适用解决患者在服用药物时可能发生的复杂相互作用，以确定预期的临床效果，并且可能会忽视那些将从治疗中受益最大的患者。金德补充道，我们表明，在这些场景中，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。
在这项研究中，研究人员表明，使用机器学习着眼于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。
Mengli Shaw 博士，生物统计学助理教授，Informatics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单克隆抗体分配点系统。创新设计与分析中心 (CIDA) 的教授肖说，我们的分配优先考虑与大因果治疗效应相关的患者特征，力求在资源有限的情况下优化整体治疗效益。
具体来说，研究人员研究了添加基于策略学习树 (PLT) 的新方法在资源有限期间优化 Covid-19 中和单克隆抗体 (mAb) 分配的有效性。
PLT 方法是旨在以最大化人群总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，特别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。这一改进还超过了单克隆抗体筛查评分的性能，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，并表明我们可以提供个性化的公共卫生服务CU Anschutz 科罗拉多临床和转化科学研究所的领导者 Ginde 补充道，即使在任何情况下资源有限，也能做出决策。
不过，要做到这一点，强大的实时数据平台非常重要，就像我们为该项目开发的那样，旨在提供数据驱动的决策。
研究人员希望该论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来实施以防未来发生公共卫生危机。