如果大流行期间药品和医疗供应短缺，一个新模型展示了机器学习如何帮助决定如何分发药品并将住院率减少高达 27%。
该研究发表在《美国医学会杂志》健康论坛上。该研究的作者解释说，在 COVID-19 大流行期间，许多患者按照先到先得的原则接受单克隆抗体 (mAb) 治疗，或者根据个人健康史接受治疗。
“但这些方法通常不能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多的患者，”资深作者 Adit Ginde 医学博士说。科罗拉多大学安舒茨医学校区在该大学的新闻稿中。
为了创建该模型，作者使用了 2021 年 10 月 1 日至 12 月 11 日期间大型医疗保健系统中超过 15, 000 名 COVID-19 患者的电子健康记录数据作为训练队列以及 6 月 1 日至2021 年 10 月 1 日，对于测试队列。
该模型称为政策学习树 (PLT)，它不仅仅针对住院风险最大的患者，而是同时考虑高风险患者和那些将从治疗中受益最多的患者。
“为了开发基于 PLT 的回归模型，我们使用了 PLT 中前 5 个重要变量（65 岁或以上；完全接种疫苗；45 至 64 岁；肥胖；和心血管疾病）的正向模型选择过程。，”作者说。
他们估计预期总体住院率为 6.0%（95% 置信区间 [CI]，5.0% 至 7.1%）。作者表示，总体而言，与 2021 年秋季和冬季使用标准临床方法观察到的住院率 (3.7%) 相比，最佳 PLT 模型将重症 COVID-19 住院率降低了 1.6%。
当向未完全接种疫苗、患有心血管疾病、免疫系统健康和肥胖的患者提供单克隆抗体时，表现最佳的 PLT 实现了住院率的最大预期减少。
在对该研究的评论中，Johnathon Leider 博士及其来自明尼苏达大学和明尼苏达州卫生部的同事探讨了基于机器的学习和治疗分配的伦理考虑。
<块引用>在一个拥有海量数据的世界中，我们有义务遵循通往最佳结果的道路，同时确保促进公平和培养信任。
“在一个拥有海量数据的世界中，我们有义务遵循通往最佳结果的道路，同时确保促进公平和培养信任。这是一项艰巨的任务，”莱德说。“研究人员必须考虑如何接受或实施新颖的政策方法，然后这些方法才具有可操作性或实用性并远远超出统计数据。”