2023人工智能可助力呼吸道症状患者的分类.docx

2023人工智能可助力呼吸道症状患者的分类约20%于初级保健医生(primarycarephysicians,PCPs)处就诊的患者的症状可自发缓解消退；多达72%的就诊是由急性呼吸道症状引起。在初级保健中，过度或诊断测试的不当使用增加了随机结果的可能性。同样,对于呼吸道感染，抗生素的滥用和不当使用可能导致细菌耐药性的增加。对此，临床指南和临床评分系统可有助于标准化诊断和治疗，但PCP报告称，在各临床实践环境中，可能因适用性的差别和缺乏时间，实际应用存在一定障碍。而机器学习模型(Machine-learningmodelsyMLMs)是人工智能领域的发展方向之一，可以在各种临床环境中实现与医生类似的表现，并有望成为医学诊断过程的有力工具，在普通医学中具有广泛的应用和发展前景。研究概况与结果一项在初级保健医疗环境中进行的回顾性研究，评估了通过仅使用患者报告的临床特征(症状和体征)在医疗就诊前(分诊)对呼吸道症状进行分级的机器学习模型(Machine-learningmodelszMLM)的表现。研究者从1500份患者病历中提取临床文本记录，这些患者接受以下七种国际疾病分类第10版(InternatiOnalClassificationofDiseases10thRevisionJCD-10)的相应编码:Joo(普通感冒)，J10和J11(流感)，J15（细菌性肺炎），J20（急性支气管炎），J44慢性阻塞性肺疾病（Chrc）nicobstructivepulmonarydisorder,COPD）和J45（哮喘该模型对两个外部数据集中的患者进行评分，并将其分为W个风险组，数值越高代表风险越高。研究人员分析了每组结果。对于每个风险组，他们对以下结果进行了分析： C反应蛋白（CRP）平均值 ICD-10编码 7天内在初级保健和急诊科重新评估的患者比例 接受胸部X线检查、提示肺炎征象的胸部X线检查结果和偶发瘤患者比例 接受抗生素处方的患者比例MLM辅助分诊研究结果显示，应用MLM特别是呼吸症状分类模型（RSTM）进行分诊时，高风险组患者比低风险组患者具有更严重的临床结局。并且，在五个较低风险组中，没有患者的胸片存在肺炎征象或有肺炎ICD-IO编码。特别的是,RSTM并不知ICD-10编码的亚型，但在第4组到第10组中，J15（细菌性肺炎）患者的评分呈上升趋势，而JOO（普通感冒）和J20（急性支气管炎）患者的评分成比例下降。J44（COPD）仅在第2组到第8组中发现，这表明该模型认为肺炎（J15）和COPD（J44）患者最有可能出现较差的临床结局，这与现实情况相符。研究者说RSTM评分无需医生输入,在患者进入诊室时即可准备好，从而得到一个易于使用、明确的、适用性强的评分，并产生有意义的效果。该研究作者表示，如果RSTM在临床环境应用中也有类似表现，则它可以作为一种基于网络分析的工具来应用，并可能在患者预约就诊前，在线对其进行分类。此分诊方法可能识别下呼吸道感染风险较低的患者，使其无需面对面咨询即可得到帮助。同时RSTM可以在概率较低或不存在阳性结果的组别中取消胸部X射线检查的转诊,这将减少1/3的胸部X射线检查而不会遗漏阳性X射线检查结果。参考资料：1.AICanHelpTriagePatientsWithRespiratorySymptoms.medscape.2023July14.