新的机器学习工具可以帮助预测最有可能感染COVID-19的患者
研究人员创建了一种机器学习工具，可以帮助识别哪些患者在住院期间最有可能感染COVID-19。
该工具是人工智能(AI)的一种形式，在一项研究中，它能够以87%的准确率预测COVID-19的高风险患者。这项技术是由伦敦帝国理工学院的研究人员和帝国理工学院医疗保健NHS信托的感染预防和控制(IPC)部门开发的。
研究人员利用医院和患者的常规数据开发了该工具。他们训练它来识别与COVID-19感染相关的风险因素，如年龄、性别、与其他感染患者的接触、床位的位置以及患者在医院的移动方式。
预测哪些患者在住院期间有感染风险，可以帮助防止进一步传播给其他患者和工作人员。
该工具使用了帝国学院医疗保健医院在前两波COVID-19感染期间住院患者的数据进行了测试，并使用了日内瓦大学医院的数据进行了验证。这项研究发表在《柳叶刀数字健康》，是首个利用患者联系信息准确预测医院内新冠肺炎发病风险的公司。
该研究使用了来自帝国理工医疗保健学院的临床分析、研究和评估(iCARE)环境的数据，该环境提供了常规收集的、匿名的医疗保健数据，用于研究，以直接造福患者。
监测工具
该团队认为，这种工具可以应用于其他感染，一些患者在医院可能会有感染的风险，如艰难梭菌(C艰难梭菌)，一种可以导致腹泻的细菌。
该研究的主要作者、伦敦帝国理工学院数学系的阿什利·迈尔说:“在整个COVID-19大流行期间，一些患者在住院期间感染了这种病毒。有发展的需要预测模型以确定感染COVID-19的风险最大的患者，并采取干预措施以缓解患者不良预后。我们可以在采取常规措施的同时，将疫情和进一步传播最小化。”
“我们设计了一个机器学习框架，可以识别出最有可能感染COVID-19的患者，准确率高达87%。该框架可作为一系列监测工具的一部分，以加强感染、预防和控制战略，特别是在COVID-19感染更容易传播的冬季。”
“这项研究确实有其局限性，因为培训和测试期发生在英国疫苗接种推广之前，所以它在确定风险时没有考虑到个人的疫苗接种状态。然而，我们的模型具有高度的预测性，可以用于其他传染性病毒。”
该研究的合著者、帝国学院医疗保健NHS信托抗微生物管理、监测和流行病学业务负责人Sid Mookerjee说:“COVID-19大流行激励了研究人员和临床医生投入时间、资金和努力应对当前和未来的大流行。”
“准确预测患者感染COVID-19、艰难梭菌和其他传染病的风险，是一种备受追捧的临床解决方案。”
“通过这项工作，我们在一定程度上展示了一种新的、高度预测性的方法，可以在寻求医院治疗时识别有感染风险的患者。这可以帮助医院管理者和临床医生设计安全有效的患者护理路径和病床管理，帮助提供世界级的护理。”
研究详情
COVID-19感染在医疗机构中的传播已有充分记录。据报告，入院后出现的COVID-19感染占医疗机构中所有COVID-19病例的12 - 15%，在大流行高峰期高达16.2%。
传统上，对医疗保健环境中可能发生的感染的预测依赖于确定风险因素，如年龄、性别认同、合并症和患者住院时间，而没有考虑到患者接触过的人、地点或患者在医院的流动。
虽然单独使用这些方法可以很好地识别HCAIs的预测风险因素，但它们忽略了一个事实，即HCAIs的传播很大程度上取决于患者的接触者，而接触者可能会有所不同。
该团队想看看机器学习工具是否可以利用患者接触数据预测HOCI的患者风险。该团队将基于床位分配的患者接触数据与来自iCARE系统的临床和医院数据结合起来，形成一个预测框架，以预测hoci的患者风险。iCARE系统由NIHR Imperial BRC支持。
hoci的定义是在入院后三天或更长时间内，SARS-CoV-2测试呈阳性(一种导致covid -19的冠状病毒)的患者感染。与环境通风、个人防护装备使用等新冠肺炎预防对策无关，将患者接触定义为同一天在同一房间、同一病房、同一建筑物内发生接触的患者。
测试
该工具无法考虑到标准的国家感染预防和控制措施(如个人防护装备使用、通风、手部卫生和清洁)在降低患者感染COVID-19风险方面的缓解作用。这项研究也是在全国更广泛地推广COVID-19疫苗接种之前进行的，这是降低患COVID-19风险的一个重要因素。
该框架通过分析与COVID-19感染相关的风险因素和患者的医院数据，给出一个在0到1之间的预测风险评分。
该模型使用了帝国理工医疗保健NHS信托医院在英国COVID-19前两次高峰期间(2020年3月至5月和2020年9月至2021年4月)的51157名患者的数据进行了测试。共有3749名患者在入院3天或更长时间后COVID-19检测呈阳性医院在此期间，机器学习框架准确预测了其中的87%。
该团队将其与COVID-19检测未呈阳性的对照组进行了比较。然后，他们通过将该框架应用于2021年日内瓦大学医院外部数据集的数据来验证该框架。
研究人员将进行进一步的工作，以扩展该框架，将COVID-19的omicron毒株包括在内传染病并了解如何将该框架整合到现有的IPC指南中。
