面对艰难的决定：医生必须反复评估COVID - 19等疾病患者可能死亡的风险。未来， Covews算法可以为他们提供支持。其目的是帮助确保治疗能及时调整。

估计患者死亡风险可以说是医生面临的最困难、压力最大的挑战之一。在全球COVID - 19大流行病的背景下，情况尤其如此，世界各地的医生反复面临艰难的决策。在最好的情况下，他们能够调整治疗方法，拯救生命。然而，在最坏的情况下，医生必须在重症护理单位分配稀缺的床和救命机器。马克斯·普朗克智能系统研究所(Max Planck Institute for Intelligent System)的研究人员领导的一个国际团队，现在已经开发了一种算法，并用机器学习方法对其进行培训，以帮助医疗专业人员预测死亡。该算法还可以接受培训，预测其他疾病的死亡风险，从而在决策过程中支持医生。

虽然医院医生收集了大量关于患者的医疗数据，但即便是专家也无法预测疾病是否会导致患者死亡，直到挽救他们还为时过晚。例如，在COVID - 19的情况下，高龄和原有的疾病是严重疾病的相关风险因素，但绝不是唯一的风险。氧气饱和、白细胞计数和白金水平也会对健康结果产生影响。 “有了这些参数，即便是经验丰富的医生也无法识别出清晰的模式，让他们能够及早预测死亡风险，从而相应地调整治疗， ”特宾根马克斯普朗克智能系统研究所(Max Planck Institute for智能Systems)的研究小组负责人斯特凡•鲍尔(Stefan Baer)说。机器学习通过识别数据中的模式，可以提供宝贵的支持。

马克斯·普朗克才智系统研究所(Max Planck Institute for 才智系统)的斯特凡·鲍尔(Stefan Baauer)和帕特里克·施瓦布(Patrick Schwab)领导的一个国际团队由此开发了一种算法，并利用世界各地数千名患者的数据，对其进行了培训，以预测COVID - 19患者的个人死亡风险。他们称Covews算法为“ COVID - 19预警系统”(COVID - 19预警系统)的缩写。除了来自丁根和罗什的马克斯·普朗克科学家外，哈佛大学(Harvard University)、哈佛医学院(Harvard Medical School)、麻省理工学院(Massachusetts Institute of Technology)、丁根大学医院(Tbingen University Hospital)和温特瑟尔县医院(Winterthur Cantal Hospital)的研究人员也为该研究项目做出了贡献。他们今天在《自然通讯》(Nature Communications)上发表了题为敏感性为95%和特异性近70%的预测。

根据医疗数据， Covews可以可靠地预测患者在最多八天前死亡的风险，敏感度超过95% 。这意味着，在100个病例中，有95个病例的算法可以检测患者是否会死亡，除非采取预防措施。与此同时， Covews的预测提前八天以略低于70%的特异性运行，这意味着，在预测死亡的100个病例中，大约有70个病例的患者最终会死亡。换句话说，在100个病例中，只有30个病例的算法发出了错误的警报，而且对于较短的时间段来说要好得多。该算法还可以接受培训，以做出不那么敏感但更具体的预测。 “但是，如果可能，检测出所有死亡率较高的人，比错误地预测一些病例中的高风险更重要， ”斯蒂芬•鲍尔(Stefan Baer)说。当后者发生时，在更多患者中，可以采取特殊的治疗措施，而不是为了开发，尤其是培训Covews ，研究人员使用了一个名为Optum的群组的3.3万份匿名数据记录，该群组追踪美国多家医院的患者。他们向算法提供了一些信息，说明在患病过程中，一些患者的健康参数是如何定期收集的，以及该人是否死于COVID - 19 。结果， Covews学会了如何识别显示高死亡风险的数据集的模式。国际团队随后测试了Covews如何准确地估计了来自Optum群组的大约1.4万个其他数据集的这种风险。 “然而，我们的算法不仅能很有把握地预测该群组的数据集的死亡风险，还能很有把握地预测其他医院的数据， ”斯特凡·鲍尔(Stefan Bauer)说。研究人员通过测试TriNetX全球健康网络的数据显示了这一点，该网络包括在美国、澳大利亚、印度和马来西亚。

尽管Covews做出了可靠的预测，但实际使用它可能需要相当长的时间。斯特凡•鲍尔(Stefan Bauer)表示： “在日常临床实践中使用这种新技术往往需要几年时间。 ”这是因为许多医院现有数据结构不够完善，使得基于该算法开发出合适的软件变得特别具有挑战性。无论如何，通过在互联网上免费提供Covews ，研究人员正在为快速应用该算法奠定基础。它不仅可以用于COVID - 19患者，还可以通过正确的培训预测其他疾病的死亡风险。

和大多数使用机器学习方法的预测一样， Covews的预测来自相关性，而不是因果关系。相关性可以纯粹是统计学上的，这意味着它们并不是因果关系。鲍尔的团队还指出了Covews计算的局限性：该算法可能预测治疗中断而不是死亡。在这种情况下，预测不会仅仅基于医学事实。 “医疗考虑不是决定停止治疗的唯一因素， ” Stefan Bauer说。宗教、文化或个人态度也可能导致人们停止接受治疗。例如，人们可能会普遍拒绝人工呼吸，或者因为担心疾病的长期后果而拒绝接受救生措施。此外，家人或朋友在此类决定中往往有发言权。 “因此，医生必须始终决定治疗措施， ” Stefan Bauer说。 “然而，我们的算法可以提供一些洞见，认为人们无法从数据中获得治疗，这有助于做出医疗决定。 ”