4月下旬，CDC在其COVID-19癥狀列表中添加了受損的味道和/或氣味。多虧了AI和自然語(yǔ)言處理(NLP)，南卡羅來(lái)納州醫(yī)科大學(xué)的研究人員擊敗了聯(lián)邦機(jī)構(gòu)。

實(shí)際上，該團(tuán)隊(duì)已經(jīng)建議其ER工作人員詢(xún)問(wèn)味道和氣味，這是標(biāo)準(zhǔn)COVID檢查的一部分。

MUSC小組成員在5月25日在線(xiàn)發(fā)布在《華爾街日?qǐng)?bào)》上的案例報(bào)告中寫(xiě)道：“這項(xiàng)成就“證明了一種數(shù)據(jù)驅(qū)動(dòng)的方法在識(shí)別新型感染中相關(guān)癥狀(如這種迅速發(fā)展的大流行的根源)中的價(jià)值”。美國(guó)醫(yī)學(xué)信息學(xué)協(xié)會(huì)的代表。

醫(yī)學(xué)博士吉哈德·奧貝德(Jihad Obeid)，醫(yī)學(xué)碩士(MS)的萊斯利·萊納特(Leslie Lenert)及其同事通過(guò)深度學(xué)習(xí)來(lái)解析遠(yuǎn)程醫(yī)療就診時(shí)口頭收集的非結(jié)構(gòu)化臨床筆記，從而得出了他們的發(fā)現(xiàn)。

該技術(shù)在預(yù)測(cè)COVID陽(yáng)性實(shí)驗(yàn)室測(cè)試中僅取得了適度的性能(AUC = 0.729)。作者認(rèn)為，這可能是由于筆記中的大量雜音所致，這是模板文本和患者輸入的數(shù)據(jù)所不可避免的。

盡管如此，盡管面臨這些挑戰(zhàn)，該模型的結(jié)果仍然足夠強(qiáng)大，足以促使人們提出建議，對(duì)那些提到味覺(jué)或嗅覺(jué)問(wèn)題的患者進(jìn)行優(yōu)先測(cè)試。

作者在討論中評(píng)論說(shuō)：“即使模型不完善，也有可能對(duì)人群進(jìn)行風(fēng)險(xiǎn)分層，從而將資源直接分配給最需要的患者。”

他們總結(jié)說(shuō)，諸如NLP和AI方法之類(lèi)的信息學(xué)工具“在臨床系統(tǒng)開(kāi)發(fā)初期用于暴發(fā)反應(yīng)的早期應(yīng)用到數(shù)據(jù)流時(shí)，可能會(huì)產(chǎn)生重大的臨床影響。”