近日，鐘南山院士團隊與騰訊AI Lab利用AI預測COVID-19患者病情發(fā)展至危重概率的研究成果，可分別預測5天、10天和30天內(nèi)病情危重的概率，有助合理地為病人進行早期分診。該項研究已發(fā)布于國際頂級期刊《Nature》子刊《Nature Communications》。

據(jù)悉，該項研究基于人工智能深度學習所建立的生存模型，對COVID-19患者入院時的10項臨床特征進行分析，可以幫助預測患者發(fā)展至危重病情的風險，如在患者住院期間持續(xù)采用此模型進行分析，預測結果會更加準確，有助于監(jiān)測患者住院期間的風險趨勢。依據(jù)此模型開發(fā)出的預測工具“COVID-19患者重癥早期分診系統(tǒng)”已經(jīng)在線公開于https://aihealthcare.tencent.com/COVID19-Triage_en.html，臨床醫(yī)護工作人員也可以訪問微信小程序獲得這一工具。

醫(yī)護人員只需輸入患者的臨床特征，重癥早期分診系統(tǒng)就可以返回患者在5、10和30天內(nèi)病情發(fā)展至危重的概率，進而對患者進行早期分診，對于COVID-19疾病的管理具有極高的臨床和經(jīng)濟價值。

同時，這項研究成果也通過Github向全球開源，以支持全球抗擊新冠疫情。

臨床研究顯示，輕度的COVID-19患者通常是自限性的，即疾病在發(fā)生發(fā)展到一定程度后，靠機體調(diào)節(jié)能夠控制病情發(fā)展并逐漸恢復痊愈。但6.5％的患者有突然進展為嚴重疾病的趨勢，這些重癥病例不但需要大量的醫(yī)療護理資源，其死亡率也高達49％。因此患者突然惡化為重癥是抗疫工作中主要關注的問題，盡早識別有重病風險的患者并早期進行干預，對于患者預后的改善至關重要。同時早期識別不同風險的患者進行有效分類，也有利于醫(yī)療資源的高效合理分配，確保最有重癥風險的患者盡快得到最合適的醫(yī)療及護理，這種能力在疫情大規(guī)模爆發(fā)時更是至關重要。

然而，準確預測患者進展至重癥的風險并非易事。研究團隊發(fā)現(xiàn)，臨床中與此相關的患者特征多達74個，這使采用傳統(tǒng)方法建立準確的預測模型難以實現(xiàn)。但大數(shù)據(jù)與人工智能的發(fā)展將不可能變?yōu)榭赡埽髷?shù)據(jù)及人工智能聯(lián)合實驗室團隊以騰訊AI Lab技術為核心，通過機器學習選擇變量算法，確定了十個患者特征指標，包括X線影像異常、年齡、呼吸困難、慢性阻塞性肺病、合并癥數(shù)量、癌癥病史、中性粒細胞/淋巴細胞比、乳酸脫氫酶、直接膽紅素和肌酸激酶，以來自575個醫(yī)療中心的1590名COVID-19患者病例進行模型訓練，進而開發(fā)出深度學習生存Cox模型。這個模型可以根據(jù)COVID-19患者入院時的臨床特征，預測病情發(fā)展至危重病的風險。

研究團隊還對深度學習生存Cox模型的一致性進行了驗證，評估模型預測結果精準度的一致性指數(shù)（C指數(shù)）為0.894，較未進行深度學習的經(jīng)典Cox模型的0.876有所提升，更顯著高于CURB-6模型的0.75。

為測試模型的普適性，研究團隊還對不同地理區(qū)域和不同衛(wèi)生資源水平的三個獨立隊列進行了模型測試，三個患者隊列涵蓋武漢940例、湖北省武漢市以外地區(qū)380例，以及疫情期間未出現(xiàn)健康資源枯竭的廣東73例，外部測試病例均與模型訓練病例范圍不重疊。三個獨立隊列測試中，C指數(shù)展現(xiàn)的重癥模型預測與實際發(fā)生一致性分別為0.878、0.769和0.967，排除10個臨床特征參數(shù)缺失超過3個以上患者后的隊列測試模型預測與實際發(fā)生一致性分別為0.890、0.852和0.967，顯示深度學習生存Cox模型的準確預測具有普適性。

該AI預測系統(tǒng)較傳統(tǒng)預測模型還有其他的優(yōu)勢，包括應用當中自動填補缺失數(shù)據(jù)而進行預測，以應對不同地區(qū)和醫(yī)院的實際情況，以及可以隨著應用數(shù)據(jù)的增加而不斷進化，準確性可以進一步提高。

今年2月27日，鐘南山院士團隊與騰訊公司宣布達成合作，共同成立大數(shù)據(jù)及人工智能聯(lián)合實驗室，攜手持續(xù)抗擊新冠肺炎疫情，將以大數(shù)據(jù)及人工智能攻堅流行病、呼吸疾病和胸部疾病的篩查和防控預警。