(资料图片仅供参考)
来自冰岛的研究人员训练了一个具有人工智能的机器学习模型，以便在患者前往初级保健诊所之前对有呼吸道症状的患者进行分类。
为了训练机器学习模型，研究人员仅使用了患者在就诊前可能会被问到的问题。信息是从 1,500 份临床文本注释中提取的，其中包括医生对患者症状和体征的解释，以及在会诊期间做出临床决定的原因，例如影像转诊和处方。
根据临床记录中的信息，患者被分为五个诊断类别之一。来自冰岛首都地区所有初级保健诊所的患者都包括在内。该模型在两个外部数据集中对每位患者进行评分，并将患者分为 10 个风险组。然后，研究人员分析了每组的选定结果。
与较高风险组相比，风险组 1-5 中的患者更年轻，肺部炎症发生率较低，在初级和急诊护理中接受重新评估的可能性较小，接受抗生素处方或胸部 X 光转诊的可能性较小第 6-10 组。最低的五组没有胸部 X 光片显示肺炎迹象或医生诊断为肺炎。研究人员得出结论，该模型可以通过消除风险组 1-5 中的胸部 X 光转诊数量来减少它们。
我们所知道的：
呼吸道症状是人们去看初级保健临床医生的常见原因。然而，他们的许多症状是自我解决的。研究人员认为，在咨询医生之前对患者进行分类可能会减少不必要的诊断测试;医疗保健费用;以及抗生素的过度使用，这会导致更大的细菌耐药性。
这项研究增加了什么：
研究人员发现，机器学习模型可以有效地将患者分为 10 个风险组，使临床医生能够以不增加繁重工作日程的方式与低风险患者进行交流，并允许他们照顾高风险患者和有严重呼吸道症状者。该团队断言，机器学习模型可以降低患者、医疗保健系统和社会的成本。
标签：
