基于covid-19的临床研究进展.docxVIP

基于covid-19的临床研究进展 摘要：新型冠状病毒（SARS-Co V-2）的传染性极强，多数感染者最初表现为无症状，这会导致SARS-Co V-2进一步扩散与传播；而进入重症阶段的患者会出现病情恶化甚至死亡。因此，建立可以早期准确诊断与预后预测的模型有望改善患者临床结局，对于大流行的防控至关重要。人工智能（AI）是计算机领域的一个重要组成部分，已被广泛应用于医学领域，并展示了其优势。在新型冠状病毒肺炎（COVID-19）疫情下，基于影像学和临床变量开发AI辅助COVID-19诊断及预后预测的模型具有广阔前景。本文就国内外利用AI开发COVID-19辅助诊断及预后预测的相关研究作一综述。 新型冠状病毒肺炎（coronavirus disease 2019,COVID-19）是一种传染性极强、传播速度非常快的传染性疾病。目前诊断该病的金标准是对呼吸道标本进行RT-PCR，但存在用时长、过程复杂、阳性率不高等缺点，同时还存在检测试剂盒供应紧缺、检测能力不足、检测结果错误等问题，可能导致新型冠状病毒（severe acute respiratory syndrome coronavirus 2,SARS-Co V-2）进一步扩散1 AI辅助诊断利用AI辅助诊断COVID-19包括以下3个方面：（1）利用影像学数据库学习特征并得出结论；（2）利用临床变量（如血液检测、呼吸波等）进行特征提取并得出结论；（3）结合影像学数据和临床变量进行分析并得出结论。1.1 基于影像学的AI诊断模型X线图像（CXR）、CT检测早期肺部变化的灵敏度较高，是诊断COVID-19肺部感染必不可少的工具。部分COVID-19患者的影像学改变甚至早于临床症状Xu等CXR诊断COVID-19的效能差于CT，但考虑到CT设备污染、医护人员暴露等问题，CXR在当下疫情形势紧张的情况下不可或缺。Khan等1.2 基于临床变量的AI诊断模型CXR的假阴性结果发生率及CT检查成本均较高，而基于血液测试、临床表现等的AI诊断模型可以作为替代方法，帮助诊断COVID-19此外，有研究利用咳嗽波、呼吸波等临床变量进行COVID-19诊断模型的开发1.3 基于影像学和临床变量的AI诊断模型COVID-19患者的影像学表现和临床表现是多变的，仅基于影像学或临床变量的AI诊断模型会限制临床医生排除疾病的能力Wang等综上所述，基于影像学和临床变量的AI诊断模型表现优于仅基于影像学或临床变量的模型，建议今后的研究更多关注在联合模型的开发上。2 AI辅助预后预测COVID-19早期症状多样，除可能出现呼吸道症状如干咳、呼吸困难外，还会出现发热、流涕、疲惫、喉咙痛、肌痛、食欲不振、嗅觉减退、味觉改变以及消化道症状等2.1 基于影像学的AI预测模型许多研究发现在普通型COVID-19、严重型COVID-19患者中，肺炎病变体积相对于整个肺体积的百分比存在显著差异，因此利用影像学图像预测疾病严重程度、进展与预后得到了密切关注，目前开发的一些基于影像学的AI预测模型也取得了不错的预测效果2.2 基于临床变量的AI预测模型Abdulaal等Liu等另有研究提出，除影像学表现外，影响预后评估的因素还有年龄（≥65岁）、呼吸困难、慢性阻塞性肺疾病、合并症种数、癌症病史、精神改变、中性粒细胞与淋巴细胞比值、血清乳酸脱氢酶、直接胆红素、肌酸激酶、心肌肌钙蛋白I（≥0.05μg/L）等3 总结与展望由于临床情况复杂，仅基于影像学或临床变量的AI模型对于COVID-19早期诊断及预后预测的准确性有限，但是临床变量模型可以在短时间内甚至不需要许多检验工具就能进行评估，而影像学模型能够在无临床表现的患者中判断病情，非常简便、经济，能起到筛选与提示作用，特别是在资源有限的地区能发挥重要作用。现有研究结果表明，基于影像学和临床变量的AI诊断及预测模型对于COVID-19诊断与预后预测具有一定的价值，该模型不仅可以评价入院时疾病严重程度，还可以用于监测患者住院期间的风险趋势。在预先训练的疾病诊断模型中利用迁延学习技术快速建立起模型，在疫情暴发时期能起到重要作用，及时缓解医务人员的压力；在疫情后期则需要更加精准的早期诊断及预后预测模型，这需要扩大样本量来进行更多的模型训练。然而，现已开发的AI模型也存在一些局限性：（1）样本量小；（2）数据质量不佳，可获取的数据库较少；（3)AI研究人员缺乏对流行病学理论和临床专业知识的理解，极大地限制一些AI模型的实用性和可靠性利用AI开发辅助COVID-19诊断与预后预测的模型具有广阔前景。期待在不久的将来，在数据量扩大的基础上实现AI模型的改良，以投入COVID-19诊断与预