AI工具顯示長期新冠可能影響23%的人
一項新的AI工具發現，22.8%的患者患有長期新冠，這一比例遠高於之前的診斷數據。該工具通過分析近30萬名患者的健康記錄，能夠專門識別與SARS-CoV-2感染相關的症狀，而非之前的健康狀況。
這種被稱為「精確表型化」（precision phenotyping）的AI方法幫助臨床醫生將長期新冠的症狀與其他健康問題區分開來，並可能將診斷準確率提高約3%。
主要事實：
– 基於AI的精確表型化：在排除其他病因後，能夠識別長期新冠，提高診斷準確性。
– 更廣泛的代表性：該算法的診斷結果與馬薩諸塞州的人口特徵相符，解決了傳統診斷碼中的偏見問題。
– 研究潛力：該算法可能推動未來對長期新冠亞型的遺傳和生化因素的研究。
早期的診斷研究顯示，約7%的人口受到長期新冠的影響，但麻省總醫院的這項新AI工具顯示，這一數字實際上高達22.8%。
該AI工具能夠通過電子健康記錄幫助醫生識別長期新冠病例。這個經常難以捉摸的病症可能會包括一系列持續的症狀，如疲勞、慢性咳嗽和腦霧，這些症狀通常是在感染SARS-CoV-2之後出現的。
該算法是通過從麻省總醫院系統下的14家醫院和20個社區健康中心的近30萬名患者的臨床記錄中提取去識別化的患者數據所開發的。
研究人員表示，他們的工具準確度比ICD-10碼捕獲的數據高出約3%，並且偏見較少。這項研究的結果發表在《MedRxiv》期刊上，可能會幫助識別更多需要接受這種潛在致殘病症護理的人。
研究的主要作者霍辛·埃斯蒂里（Hossein Estiri）表示：「我們的AI工具可以將模糊的診斷過程變得清晰而聚焦，賦予臨床醫生理解這種挑戰性病症的能力。」「通過這項工作，我們可能終於能夠真正看清長期新冠的本質，更重要的是，如何治療它。」
在這項研究中，埃斯蒂里和同事們將長期新冠定義為一種排除診斷，並且與感染相關。這意味著該診斷無法在患者的獨特病歷中解釋，但與COVID感染有關。此外，該診斷需要在12個月的隨訪窗口中持續兩個月或更長時間。
埃斯蒂里及其同事開發的這種新方法，稱為「精確表型化」，通過篩查個別記錄來識別與COVID-19相關的症狀和病症，以隨時間追蹤症狀，從而將其與其他疾病區分開來。
例如，該算法可以檢測到呼吸急促是否由心衰或哮喘等既往病症引起，而不是長期新冠。只有在排除所有其他可能性後，該工具才會將患者標記為長期新冠。
合著者兼布萊根婦女醫院的內科住院醫生阿拉雷·阿齊爾（Alaleh Azhir）表示：「醫生常常需要面對一堆錯綜複雜的症狀和病歷，無法確定該拉哪根線，同時又要平衡繁忙的工作量。擁有一個能夠有條不紊地為他們完成這一工作的AI工具，可能會成為遊戲規則的改變者。」
這一新工具的以患者為中心的診斷也可能有助於減輕當前長期新冠診斷中內建的偏見。研究人員指出，使用官方ICD-10診斷碼的長期新冠診斷往往偏向於那些更容易獲得醫療服務的人。
他們表示，這一工具的準確性比ICD-10碼捕獲的數據高出約3%，並且偏見較少。具體而言，他們的研究顯示，這些被識別為長期新冠的個體與馬薩諸塞州的整體人口特徵相符，而依賴單一診斷碼或單獨臨床接觸的長期新冠算法則會使結果偏向於那些更容易獲得護理的人群。
埃斯蒂里表示：「這種更廣泛的範圍確保了邊緣化社區，這些社區在臨床研究中常常被忽視，不再是隱形的。」
這項研究和AI工具的局限性包括，算法使用的健康記錄數據可能沒有醫生在就診後的臨床記錄中所捕獲的數據那麼完整。
另一個局限性是，該算法未能捕捉到可能惡化的既往病症，這可能是長期新冠的症狀。例如，如果一名患者在感染COVID-19之前就有COPD，情況惡化，算法可能會排除這些發作，即使它們是長期新冠的指標。
近年來COVID-19測試的減少也使得識別患者首次感染COVID-19的時間變得困難。
這項研究僅限於馬薩諸塞州的患者。
未來的研究可能會探索該算法在特定病症患者群體中的應用，如COPD或糖尿病。研究人員還計劃將這一算法公開，讓全球的醫生和醫療系統可以在其患者群體中使用。
除了為更好的臨床護理鋪平道路外，這項工作還可能為未來研究長期新冠各亞型背後的遺傳和生化因素奠定基礎。
埃斯蒂里表示：「有關長期新冠的真正負擔的問題——到目前為止一直難以捉摸的問題——現在似乎變得更容易解決。」
資助：本研究得到了美國國家衛生研究院、過敏與傳染病國家研究所、國家心臟、肺部和血液研究所、以及國家轉化科學中心的支持。
這項研究的部分資金來自德國學術交流服務的IFI計劃和德國聯邦教育與研究部以及德國研究基金會的資助。
以上文章由特價GPT API KEY所翻譯及撰寫。而圖片則由FLUX根據內容自動生成。
