去年Covid-19大流行开始时，克利夫兰诊所的医师兼首席研究信息官RajoJay和她的同事们不知所措：“谁处于危险之中？谁可能生病？他们需要什么样的护理？“问题是无止境的。我们没有足够的时间等待，看看随着时间的推移会发生什么，”LaroJay说。为了得到答案，克利夫兰诊所求助于一种“算法”，汇集了17位专家，定义从电子健康记录中收集的数据并使用“人工智能”来建立“预测治疗模型”。在两周的时间里，该诊所使用了12,000名患者的数据，包括年龄、种族、性别、社会经济地位、疫苗接种史和当前药物治疗，以创建一种算法来预测某人是否会对新型冠状病毒产生反应。冠状病毒检测结果呈阳性。医生在大流行早期使用这种检测模型来建议患者是否需要进行新型冠状病毒检测，当时这种检测非常昂贵。在过去的一年里，该诊所已发表超过32篇关于使用人工智能的论文。LaroJay和她的同事创建了模型来识别哪些COVID-19携带者可能需要住院治疗，这可能会帮助进行医院容量规划。他们还建立了另一个模型，可以帮助医生识别有进入重症监护病房风险的患者，并优先考虑风险较高的患者。当患者回家接受监测时，诊所的软件会标记哪些患者可能需要返回医院接受治疗。通过数据筛选的模型可帮助护理人员关注风险最大的患者，对患者康复面临的威胁进行分类，并预测对病床和呼吸机等设施的需求激增。但随着确诊病例数的增加，人们也开始质疑用于构建模型的数据集是否充分和公正。在曼哈顿的西奈山医院，遗传学家BenGlicksberg和HassoPlattner数字健康研究所的肾病学家GillesNadkar以及西奈山临床智能中心的GirishNadkarni提出了与克利夫兰诊所医生相同的问题。“这是一种没有脚本、没有模板的全新疾病，”Nakhani说。“我们需要快速汇总来自不同来源的数据以了解更多信息。“去年春天，在北美Covid-19大流行爆发期间大量患者涌入西奈山医院的情况下，研究人员使用数据评估患者入院后三、五和七天内患重病的风险，以预测“患者的需求。BenGlicksberg和GillisNadkarney的工作表明，这些模型可以识别高危患者，并通过健康记录揭示哪些信息有助于预测结果。Covid分析代码，可以100%可靠地预测临床相关事件，”BenGlicksberg说。Nadkarni补充说：“机器学习是其中的一块拼图。”对于Covid19，人工智能应用涵盖了广泛的问题，除了可以帮助临床医生做出治疗决策外，还可以指导如何分配资源。例如，纽约大学的LangoneHealth创建了一个人工智能程序来预测哪些患者可以转移到下级机构接受护理、在家护理或康复。弗吉尼亚大学医学中心的研究人员一直在开发软件来帮助医生检测导致插管的“呼吸衰竭”。当Covid19大流行来袭时，他们针对Covid-19对软件进行了改造。名为CoMET的软件整合了心电图、实验室测试结果和生命体征等信息，并将监测结果投射到LCD屏幕上，该屏幕随着患者的预期风险增加，为护理人员提供视觉警报。该软件已在弗吉尼亚大学医院使用，并已获得其他医院的许可。该软件的研究人员之一杰西卡·凯姆-马尔帕斯(JessicaKeim-Malpass)认为，将软件的功能转化为医生、护士和其他护理人员易于使用的功能是关键。“临床医生每小时都会做出决定，有时甚至是一分钟一分钟，”她说。该算法应侧重于更加实用并帮助人类做出更好的决策。在约翰霍普金斯大学，生物医学工程师和心脏专家开发了一种算法，可以在住院的Covid-19患者出现心脏骤停或血栓之前警告医生。人工智能看似有帮助，但也有很多反对意见。斯坦福大学的研究人员在《美国医学信息学协会杂志》上的一篇文章中写道，少量的数据样本并不能代表患者的总体数量。人工智能可以帮助指导这场危机期间的治疗决策，但医疗保健系统过于依赖人工智能（这可能看起来客观但并非如此）来分配呼吸机和ICU床位等资源，这些工具建立在有偏见的数据上事实上，它们反映了有偏见的医疗保健系统，因此即使明确排除，种族或性别等敏感属性本身也存在很高的偏见风险。西奈山的Glicksberg和Nadkarney承认偏见问题的重要性。例如，社会经济地位在几乎所有与健康相关的事物中都起着巨大的作用，而这些因素并未在我们的数据中准确捕获或提供。要确定如何在不破坏系统的情况下公平有效地将这些模型嵌入实践，还有很多工作要做。他们的最新模型通过检查来自五家医院的多个服务器上的电子健康记录来预测Covid-19患者的状况，同时保护患者的隐私。他们发现该模型的预测效果更好，医生称新模型在帮助预测患者预后方面“非常宝贵”。Laro-Jay说，克利夫兰诊所数据库现在有超过160,000名患者，每个患者都有400多个数据点来验证其模型。但病毒在变异，算法需要不断追求最佳治疗模型。“问题不在于没有足够的数据，而是必须使用这些模型不断地重新分析、更新和重新访问数据，以保持其临床价值。”
