科學家發現隱藏已久的Long-COVID病例使先前的估計值增加三倍
先前的診斷研究估計，有7% 的人患有Long-COVID。 然而，一項使用布里格姆綜合醫院開發的人工智慧工具進行的新研究表明，Long-COVID的盛行率要高得多，達到22.8%。這種以人工智慧為基礎的工具可以篩選電子健康記錄，幫助臨床醫生識別Long-COVID病例。
Long-COVID往往是一種神秘的疾病，它可能包含一系列持久的症狀，包括疲勞、慢性咳嗽和感染SARS-CoV-2後的腦霧。
所使用的演算法是透過從麻省總布里格姆系統的14家醫院和20家社區醫療中心近30萬名患者的臨床記錄中提取去身份化的患者數據而開發出來的。 該結果發表在《醫學》（Med）雜誌上，它可以識別出更多應該接受治療的人，以治療這種可能會使人衰弱的疾病。
“我們的人工智慧工具可以將迷霧重重的診斷過程轉化為敏銳而專注的診斷過程，讓臨床醫生有能力了解這一具有挑戰性的病症，”資深作者、MGB 學習型醫療保健系統人工智慧和生物醫學資訊學中心（CAIBILS）人工智慧研究負責人、哈佛醫學院醫學副教授Hossein Estiri 說。 “透過這項工作，我們或許終於能夠看清Long-COVID的真面目–更重要的是，知道如何治療它。”
在研究中，Estiri及其同事將Long-COVID定義為排除性診斷，同時與感染相關。 這意味著診斷無法在患者的唯一醫療記錄中解釋，但與COVID 感染有關。 此外，診斷需要在12 個月的追蹤期內持續兩個月或更長時間。
精確表型： 一種新方法
埃斯蒂裡及其同事開發的新方法被稱為”精確表型”，它透過篩選個人記錄來識別與COVID-19相關的症狀和病症，從而追蹤症狀的變化，以便將其與其他疾病區分開來。 例如，該演算法可以檢測出呼吸急促是否由心臟衰竭或氣喘等原有疾病引起，而不是由Long-COVID 引起。 只有當所有其他可能性都被排除後，該工具才會將患者標記為Long-COVID。
「醫生常常要面對症狀和病史的糾纏，不知道該從哪條線索入手，同時還要兼顧繁忙的工作量。 如果有一個由人工智慧驅動的工具能有條不紊地為他們完成這項工作，那將會改變遊戲規則，”共同第一作者、布里格姆婦女醫院內科住院醫師Alaleh Azhir 說，該醫院是麻省總布里格姆醫療保健系統的創始成員。
研究人員說，新工具以患者為中心的診斷方法還有助於減輕目前對Long-COVID診斷方法的偏見，他們注意到，帶有ICD-10官方診斷代碼的Long-COVID診斷方法傾向於那些更容易獲得醫療保健服務的人。
研究人員表示，他們的工具比ICD-10 編碼擷取的資料準確率高出約3%，同時偏差也較小。 具體來說，他們的研究表明，他們確定的長COVID 患者反映了馬薩諸塞州更廣泛的人口組成，而不像Long-COVID 演算法依賴單一診斷代碼或單一臨床會診，從而使結果偏向於某些人群，如那些更容易獲得醫療服務的人。這種更廣泛的範圍確保了在臨床研究中經常被邊緣化的群體不再被忽視。
侷限與未來方向
該研究和人工智慧工具的局限性包括：演算法用於解釋Long-COVID 症狀的健康記錄數據可能不如醫生在就診後臨床筆記中記錄的數據完整。 另一個限制因素是該演算法沒有捕捉到可能是Long-COVID 症狀的先前病症的可能惡化。 例如，如果患者在出現COVID-19 之前患有慢性阻塞性肺病，而病情惡化，那麼即使這些症狀是Long-COVID 指標，演算法也可能會將其移除。 近年來COVID-19 檢測的減少也導致難以確定患者何時首次感染COVID-19。
這項研究僅限於馬薩諸塞州的患者。未來的研究可能會在患有慢性阻塞性肺病或糖尿病等特定疾病的患者群體中探索該演算法。 研究人員還計劃公開發布這項演算法，以便全球的醫生和醫療保健系統能在他們的患者群體中使用這項演算法。
除了為更好的臨床治療打開大門之外，這項工作還可能為未來研究Long-COVID各種亞型背後的遺傳和生化因素奠定基礎。埃斯蒂裡說：”有關Long-COVID真正負擔的問題–這些問題至今仍難以捉摸–現在似乎更加觸手可及了。”
編譯自/ ScitechDaily