去年Covid-19開始大流行時，克利夫蘭診所醫(yī)師、首席研究信息官拉若·杰依和她的同事們都有些茫然： “誰有危險? 誰可能生病? 他們需要什么樣的護理?”拉若·杰依說：“問題無窮無盡。我們沒有足夠的時間等待，看看隨著時間的推移會發(fā)生什么變化。”

克利夫蘭診所迫切需要答案，于是求助于“算法”，召集了17名專家，對從電子健康記錄中收集的數(shù)據(jù)進行定義，并使用“人工智能”來建立“預(yù)測性治療模型”。在兩周時間內(nèi)，該診所根據(jù)12,000名患者的數(shù)據(jù)，包含患者的年齡，種族，性別，社會經(jīng)濟狀況，疫苗接種史和當(dāng)前用藥情況，創(chuàng)建了一種算法，來預(yù)測某人是否會對新型冠狀病毒產(chǎn)生陽性檢測結(jié)果。醫(yī)生在大流行初期使用這種測試模型，可以建議患者是否需要進行新冠病毒檢測，因為當(dāng)初的檢測非常昂貴。

在過去一年中，該診所發(fā)表了超過32篇有關(guān)使用人工智能的論文。 拉若·杰依和她的同事創(chuàng)建了一些模型，以識別哪些新冠病毒攜帶者可能需要住院治療，從而有助于進行醫(yī)院的容量規(guī)劃。 他們還建立了另一個模型，該模型可以幫助醫(yī)生識別患者住重癥監(jiān)護病房的風(fēng)險，并優(yōu)先考慮那些具有較高風(fēng)險的患者。 當(dāng)患者回家進行監(jiān)視時，診所的軟件會標(biāo)記出哪些患者可能需要返回醫(yī)院治療。

通過數(shù)據(jù)篩選的模型可幫助護理人員將重點放在風(fēng)險最大的患者上，對患者康復(fù)所存在的威脅進行分類，并預(yù)見床和呼吸機等設(shè)施需求的激增。但是隨著確診病例的增多，人們也開始質(zhì)疑用于構(gòu)建模型的數(shù)據(jù)集是否足夠且沒有偏差。

在曼哈頓的西奈山醫(yī)院，遺傳學(xué)家本·格里克斯伯格(Ben Glicksberg)與哈索·普拉特納數(shù)字健康研究所和西奈山臨床情報中心的腎病學(xué)家吉里斯·納德卡尼(Girish Nadkarni)提出了與克利夫蘭診所的醫(yī)生相同的問題。 “這是一種全新的疾病，沒有劇本，也沒有模板，”納卡尼說。 “我們需要快速匯總來自不同來源的數(shù)據(jù)，以了解更多信息。”

去年春天，在北美爆發(fā)的Covid-19大流行期間，病人大量涌入西奈山醫(yī)院，研究人員利用數(shù)據(jù)來評估病人入院后三天，五天和七天內(nèi)發(fā)生危急的風(fēng)險，以預(yù)測患者的需求。Ben Glicksberg和吉里斯·納德卡尼的工作表明，這些模型識別出了高風(fēng)險患者，并通過健康記錄揭示了哪些信息有助于預(yù)測結(jié)果。 “我們并不是說已經(jīng)破解了將機器學(xué)習(xí)用于Covid分析的代碼，并且可以100%可靠地預(yù)測與臨床相關(guān)的事件，”本·格里克斯伯格說。“機器學(xué)習(xí)是整個難題的一部分，” Nadkarni補充說。

對于Covid 19，人工智能應(yīng)用涵蓋了廣泛的問題，除了幫助臨床醫(yī)生做出治療決策，還可指導(dǎo)如何分配資源。 例如，紐約大學(xué)的Langone Health創(chuàng)建了一個人工智能程序，以預(yù)測哪些患者可以轉(zhuǎn)移到較低水平的機構(gòu)進行護理或是回到家中康復(fù)。

弗吉尼亞大學(xué)醫(yī)學(xué)中心的研究人員一直在開發(fā)軟件，以幫助醫(yī)生檢測導(dǎo)致插管的“呼吸衰竭”。當(dāng)Covid 19大流行爆發(fā)時，他們針對Covid-19修改了該軟件。這個名為CoMET的軟件融合了心電圖，實驗室測試結(jié)果和生命體征等信息，將監(jiān)測結(jié)果投射到LCD屏幕上，該屏幕會隨著患者預(yù)期風(fēng)險的增加而變大并變色，為看護人提供視覺警報。該軟件已在弗吉尼亞大學(xué)醫(yī)院使用，并已獲得其他醫(yī)院的許可。Jessica Keim-Malpass是該軟件的研究者之一，她認為將軟件的功能轉(zhuǎn)換為易于醫(yī)生，護士和其他護理人員使用的功能是關(guān)鍵。 她說：“臨床醫(yī)生每小時都會做出決定，有時甚至是每分鐘。該算法的重點應(yīng)是更具實用性，幫助人類做出更好的決策。”

在約翰霍普金斯大學(xué)，生物醫(yī)學(xué)工程師和心臟專家開發(fā)了一種算法，可以在Covid-19的住院患者經(jīng)歷心臟驟?；蜓龎K之前向醫(yī)生發(fā)出警告。

人工智能看似幫了大忙，但亦有不少異議。

斯坦福大學(xué)的研究人員在《美國醫(yī)學(xué)信息學(xué)協(xié)會雜志》上的一篇文章中寫道，少量數(shù)據(jù)樣本不能代表總體患者人數(shù)。A.I. 在這場危機中可以幫助指導(dǎo)治療決策，但醫(yī)療系統(tǒng)過度依賴人工智能(這似乎是客觀的但并非如此)去分配呼吸機和重癥監(jiān)護床等資源，這些工具是建立在有偏見的數(shù)據(jù)之上，反映了有偏見的醫(yī)療保健系統(tǒng)，因此，即使明確地排除了諸如種族或性別之類的敏感屬性，它們本身也存在著極高的偏見風(fēng)險。

西奈山的格里克斯伯格和納德卡尼承認偏見問題的重要性。比如社會經(jīng)濟地位，在幾乎所有與健康相關(guān)的方面都發(fā)揮著巨大作用，而這些因素并未得到準(zhǔn)確地捕捉或無法在我們的數(shù)據(jù)中獲得。要確定如何在不中斷系統(tǒng)的情況下將這些模型公平有效地嵌入實踐中，還有許多工作要做。他們的最新模型通過檢查來自五家醫(yī)院的多臺服務(wù)器上的電子健康記錄來預(yù)測Covid-19患者的狀況，同時保護患者的隱私。 他們發(fā)現(xiàn)，該模型預(yù)測效果更好，醫(yī)生稱這種新模型在幫助預(yù)測患者結(jié)果方面是“無價之寶”。

拉若·杰依說，克利夫蘭診所數(shù)據(jù)庫現(xiàn)在有160,000多名患者，每位患者有400多個數(shù)據(jù)點以驗證其模型。 但是病毒正在變異，算法需要繼續(xù)追求最佳的治療模型。“問題不是沒有足夠的數(shù)據(jù)，而是必須使用這些模型不斷地對數(shù)據(jù)進行重新分析、更新和重新訪問，以保持其臨床價值。”