机器学习可以帮助在大流行期间减少近 30% 的住院率

一项新的研究揭示了一种有前景的方法，即利用机器学习在大流行期间或任何治疗药物短缺的情况下更有效地分配医疗治疗。

发表在《JAMA 健康论坛》上的研究结果发现，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，预期住院治疗会显着减少。事实证明，与实际和观察到的护理相比，该模型可相对减少约 27% 的住院治疗。

该论文的资深作者 Adit Ginde 医学博士说：“在大流行期间，医疗保健系统正处于崩溃边缘，许多医疗保健机构依靠先到先得或患者的健康史来确定谁接受了治疗。”科罗拉多大学安舒茨医学院急诊医学教授。

“然而，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。我们表明，在这些情况下，机器学习是一种方法使用实时、真实世界的证据来为公共卫生决策提供信息，”金德补充道。

在这项研究中，研究人员表明，使用机器学习来研究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。生物统计与信息学助理教授Mengli Shaw博士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 mAb 分配点系统。我们的分配优先考虑患者与大因果治疗效应相关的特征，寻求在资源有限的情况下优化整体治疗效益，”肖说。

具体来说，研究人员研究了添加一种基于策略学习树 (PLT) 的新方法的有效性，以在资源有限期间优化 COVID-19 中和单克隆抗体(mAb) 的分配。

PLT 方法旨在决定为个人分配哪些治疗，以最大限度地提高人群的整体利益（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人数显着减少。这一改进也超过了单克隆抗体筛选评分的性能，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像 COVID-19 大流行这样的危机，并表明即使在任何情况下资源有限，我们也可以提供个性化的公共卫生决策。不过，要做到这一点，重要的是可靠的实时数据平台，就像我们为这个项目开发的平台一样，是为了提供数据驱动的决策而实施的，”科罗拉多大学安舒茨分校科罗拉多临床和转化科学研究所的领导者 Ginde 补充道。

JAMA 健康论坛上的这篇论文将是科罗拉多州单克隆抗体 (mAB) 项目发表的第 15 篇论文。该项目的重点是为大多数人提供最大的好处，在 COVID-19 大流行期间利用真实世界的证据进行数据驱动的决策。

研究人员希望这篇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，以便在未来发生公共卫生危机时实施。

本视频下方有视频中的链接，感兴趣的可以打开看看
谢谢观看本视频。要是喜欢，请订阅、点赞。谢谢

原文：https://medicalxpress.com/news/2024-09-machine-hospitalizations-pandemic.html
更多信息：分配稀缺 COVID-19 单克隆抗体的机器学习方法， JAMA 健康论坛(2024)。 DOI：10.1001/jamahealthforum.2024.2884
期刊信息： JAMA 健康论坛

油管：https://youtu.be/dgGYB6w8x6I