在美国，每家医院的情况都不尽相同，设备、人员配置、技术水平和患者群体各不相同。因此，尽管针对常见病症的患者概况看似通用，但实际上每个地方都有其独特之处，需要个别关注，无论是患者构成还是提供护理的医院情况。
新研究表明，人工智能可以通过分析不同医院的数据，创建更精细的患者群体，这些群体更接近于医院实际接诊的本地人口。人工智能可以帮助确定典型的护理需求，例如哪些科室和护理团队是满足患者需求所必需的。
由宾夕法尼亚大学佩雷尔曼医学院领导的研究项目——其成果发表在《Patterns》杂志上——分析了长期新冠患者的电子健康记录，揭示了四个具有特定需求的患者亚群，如患有哮喘或精神健康状况的患者。
“现有研究汇集了来自多个医院的数据，但未能考虑患者群体的差异，这限制了将研究成果应用于本地决策的能力，”该研究的资深作者、生物统计学教授Yong Chen博士表示。“我们的工作提供了更广泛的知识，同时具备医院特定应用的精确性。”
研究团队使用了一种名为“潜在转移学习（latent transfer learning）”的机器学习人工智能技术，分析了从八家不同儿科医院提取的匿名长期新冠患者数据。通过这种方法，他们识别出了四个具有预先存在健康状况的患者亚群，包括：
- 精神健康状况，包括焦虑、抑郁、神经发育障碍和注意力缺陷多动障碍
- 过敏性疾病，如哮喘或过敏
- 非复杂慢性疾病，如视力问题或失眠
- 复杂慢性疾病，如心脏或神经肌肉疾病
确定这些亚群后，系统还能够追踪患者在整个医院中所需的护理，指向更新的患者概况，使医院能够更好地应对不同类型患者的增加。
“如果不识别这些不同的亚群，临床医生和医院可能会对后续护理和治疗采取一刀切的方法，”该研究的主要作者、曾在Chen实验室从事博士后研究的Qiong Wu博士说，她现在是匹兹堡大学公共卫生学院的生物统计学助理教授。“虽然这种统一的方法可能适用于某些患者，但对于需要更专业护理的高风险亚群来说可能是不够的。例如，我们的研究发现，患有复杂慢性疾病的患者在住院和急诊就诊方面有显著增加。”
潜在转移学习系统直接揭示了这些人群对医院的影响，指出了资源应分配到哪里。
如果这套机器学习系统在2020年3月左右已经投入使用，Wu认为它可能会提供一些关键见解，以减轻疫情的部分影响，包括集中资源和护理于最有可能需要帮助的群体。
“这将使每家医院能够更好地预测重症监护病床、呼吸机或专业人员的需求——帮助在新冠护理和其他基本服务之间平衡资源，”Wu说。“此外，在疫情早期阶段，跨医院的合作学习将特别有价值，解决数据稀缺问题，同时将见解定制化以适应每家医院的独特需求。”
展望像新冠疫情这样的危机及其后果，Wu、Chen及其团队开发的人工智能系统还可以帮助医院管理更常见的慢性病。
“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的表现往往存在显著差异，”Wu说。
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“相对简单”的数据共享基础设施，据Wu介绍。即使是无法主动整合机器学习的医院也可以通过共享信息受益。
“通过利用联网医院的共享研究成果，它们可以获得宝贵的见解，”Wu说。
(全文结束)
