鐘南山團隊攜手騰訊研發新冠重癥AI預測，成果登上《Nature》子刊

雷鋒網消息，鐘南山院士團隊與騰訊AI Lab日前披露了利用AI預測COVID-19患者病情發展至危重概率的研究成果，可分別預測5天、10天和30天內病情危重的概率，有助合理地為病人進行早期分診。

這項研究已在2020年7月15日發布于國際頂級期刊《Nature》子刊《Nature Communications》。

這項名為《深度學習在新冠肺炎危重患者早期分診中的應用》的研究，是鐘南山院士團隊與騰訊公司共同成立的大數據及人工智能聯合實驗室的成果之一.

第一作者分別是廣州呼吸健康研究院院長助理梁文華博士，以及騰訊AI Lab醫療中心首席科學家姚建華博士，鐘南山院士、廣州呼吸健康研究院院長何建行、騰訊AI Lab醫療中心負責人黃俊洲均為共同作者。

騰訊大數據及人工智能聯合實驗室副主任、騰訊醫療副總裁吳文達醫生指出，當前新冠肺炎疫情在全球持續蔓延，高效抗疫、降低患者死亡風險，仍是取得抗疫勝利的關鍵，希望大數據、人工智能等新技術，以及騰訊海量的用戶觸達能力，騰訊云安全、快速部署的能力，能夠在抗疫常態化中發揮作用，更有效地防控流行病疫情。

此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展至危重病情的風險，如在患者住院期間持續采用此模型進行分析，預測結果會更加準確，有助于監測患者住院期間的風險趨勢。

依據此模型開發出的預測工具“COVID-19患者重癥早期分診系統”已經在線公開（點擊鏈接查看），臨床醫護工作人員也可以訪問微信小程序獲得這一工具。

醫護人員只需輸入患者的臨床特征，重癥早期分診系統就可以返回患者在5、10和30天內病情發展至危重的概率，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，Github開源項目查詢鏈接為https://github.com/cojocchen/covid19_critically_ill。

臨床研究顯示，輕度的COVID-19患者通常是自限性的，即疾病在發生發展到一定程度后，靠機體調節能夠控制病情發展并逐漸恢復痊愈。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療及護理，這種能力在疫情大規模爆發時更是至關重要。

然而，準確預測患者進展至重癥的風險并非易事。

研究團隊發現，臨床中與此相關的患者特征多達74個，這使采用傳統方法建立準確的預測模型難以實現。

但大數據與人工智能的發展將不可能變為可能，大數據及人工智能聯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個醫療中心的1590名COVID-19患者病例進行模型訓練，進而開發出深度學習生存Cox模型。

這個模型可以根據COVID-19患者入院時的臨床特征，預測病情發展至危重病的風險。

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（C指數）為0.894，較未進行深度學習的經典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域和不同衛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380例，以及疫情期間未出現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指數展現的重癥模型預測與實際發生一致性分別為0.878、0.769和0.967，排除10個臨床特征參數缺失超過3個以上患者后的隊列測試模型預測與實際發生一致性分別為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。

這個AI預測系統較傳統預測模型還有其他的優勢，包括應用當中自動填補缺失數據而進行預測，以應對不同地區和醫院的實際情況，以及可以隨著應用數據的增加而不斷進化，準確性可以進一步提高。

雷鋒網了解到，今年2月27日，鐘南山院士團隊與騰訊公司宣布達成合作，共同成立大數據及人工智能聯合實驗室，攜手持續抗擊新冠肺炎疫情，將以大數據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。雷鋒網

雷峰網原創文章，未經授權禁止轉載。詳情見轉載須知。