一項新的研究揭示了一種有希望的方法，可以利用機器學習在大流行期間或在任何治療藥物短缺的情況下更有效地分配醫療治療。
發表在《美國醫學會》健康論壇上的研究發現，當使用機器學習來幫助分發藥物並使用COVID-19大流行來測試模型時，預計住院人數將大幅減少。與實際和觀察的護理相比，該模型已被證明可以將住院人數減少約27%。
「大流行期間，醫療保健系統處於崩潰的邊緣，許多醫療保健機構依靠先到先得或患者的健康史來確定誰正在接受治療，」醫學博士Adit Ginde說，該論文的資深作者。科羅拉多大學安舒茨醫學院急診醫學教授。
「然而，這些方法往往無法解決患者在服用藥物時可能經歷的複雜相互作用來確定預期的臨床效果，並且可能會忽視那些將從治療中受益最多的患者。金德補充道：「我們表明，在這些情況下，機器學習是使用實時、現實世界的證據來為公共衛生決策提供信息的一種方式。」
在這項研究中，研究人員表明，使用機器學習來研究個體患者如何從治療中獲得不同的益處，可以為醫生，衛生系統和公共衛生官員提供比傳統分配評分模型更準確的實時信息。生物統計學和信息學助理教授Mengli Shaw博士開發了一種基於機器學習的mAb分配系統。
「現有的分配方式主要針對未經治療住院的高危患者。他們可能會忽視從治療中受益最多的患者。我們基於治療效果不均勻性的機器學習估計開發了單克隆抗體分配點系統。我們的分配優先考慮與大因果治療效應相關的患者特徵，並尋求在有限的資源下優化整體治療效益，」肖說。
具體來說，研究人員調查了添加一種基於策略學習樹（PLT）的新方法的有效性，以在資源有限期間優化COVID-19中和單克隆抗體（mAbs）的分配。
PLT方法旨在確定將哪些治療分配給個人，以最大限度地提高人群的總體效益（確保住院風險最高的人始終接受治療，特別是在治療稀缺的情況下）。這是通過考慮不同因素如何影響治療結果來實現的。
研究人員將機器學習方法與大流行期間使用的現實世界決策和標準積分分配系統進行了比較。他們發現，與觀察到的分配相比，基於PLT的模型顯示預期住院人數顯著減少。這一改進也超過了單克隆抗體篩查評分的性能，單克隆抗體篩查評分通過觀察抗體進行診斷。
「使用機器學習等創新方法可以超越COVID-19大流行等危機，並表明我們可以在任何情況下以有限的資源提供個性化的公共衛生決策。然而，要做到這一點，重要的是一個可靠的實時數據平台，就像我們為這個項目開發的平台一樣，旨在提供數據驅動的決策，」科羅拉多大學科羅拉多臨床和轉化科學研究所所長金德補充道。安舒茨分校。
美國醫學會雜誌健康論壇上的這篇論文將是科羅拉多州單克隆抗體（mAB）項目發表的第15篇論文。該項目的重點是為大多數人提供最大的好處，利用現實世界的證據在COVID-19大流行期間進行數據驅動的決策。
研究人員希望這篇論文能鼓勵公共衛生實體、政策制定者和災害管理機構研究機器學習等方法，以便在未來的公共衛生危機中實施。
此視頻下方的視頻中有連結。如果您感興趣，可以打開看看。
感謝您觀看此視頻。如果您喜歡，請訂閱並點讚。謝謝
原文：https://medicalxpress.com/news/2024-09-machine-hospitalizations-pandemic.html
更多信息：分配稀缺COVID-19單克隆抗體的機器學習方法，美國醫學會健康論壇（2024）。DOI：10.1001/jamahalthforum.2024.2884
期刊信息：JAMA健康論壇
輸油管：