医生常常发现准确预测肺炎患者的结果和识别最佳治疗方案具有挑战性。然而，最近利用先进的机器学习技术对患者电子健康记录（EHR）进行研究，揭示了与肺炎相关的五种独特临床状态。
接受肺炎治疗的患者，由于肺部积 fluid ，可能表现出非常不同的特征和结果。然而，医生常常发现很难准确预测患者的预后并决定最佳治疗方案。
来自西北大学的研究人员最近应用了一种前沿的机器学习方法来分析肺炎患者的EHR，识别出五种不同的临床状态。在这些状态中，有三种与患者的结果密切相关，而两种则帮助医生解读疾病的潜在原因。值得注意的是，其中一种状态显示出在24小时内死亡风险为7.5%。
这些发现和用于开发该方法的技术详细记录在发表在《美国国家科学院院刊》（PNAS）上的一篇论文中。研究人员相信，这一方法能够帮助临床医生对严重病患的治疗做出更明智的决策，并具备更广泛的应用前景。
肺炎是全球主要的死亡原因之一，其治疗因表现的多样性和传播方式的不同而极具挑战性，同时还面临抗生素过度使用的风险。传统上，医生根据肺炎的来源将重症监护中的肺炎患者分为三组：社区获得性（可能源自先前的细菌或病毒感染）、医院获得性和机械通气相关性（在机械通气后感染）。
然而，根据研究的首席作者路易斯·阿马拉尔（Luís Amaral）的说法，这种分类对患者的恢复机会提供的信息有限。
阿马拉尔表示：“将肺炎患者分类的替代方法缺乏准确性。它们在预测疾病进展和结果方面表现不佳，而这些对于临终决策至关重要。我们的研究首次清晰地揭示出可识别和独特的临床状态。”
阿马拉尔专注于复杂系统和数据科学，担任西北大学麦考密克工学院工程科学与应用数学的埃拉斯图斯·奥蒂斯·海文教授。
阿马拉尔强调，了解每位患者的存活可能性可以帮助其家人准备可能的失去，并帮助医生避免不必要的治疗。
这五种识别的状态基于多种数据（包括体温、呼吸频率、葡萄糖和氧气水平）来理解各种测量之间的相互关系。研究人员发现，特定的指标组合，如运动反应、肾功能、心率、血压和呼吸频率，能够为患者的情况提供最显著的见解。
研究团队在开发一套机器学习工具以分析来自两个EHR来源的患者数据时面临若干障碍：一个来自西北大学的SCRIPT倡议，另一个来自标准临床数据库。他们必须整合不同频率收集的各种数据类型，创建新的指标以评估方法的可靠性，并确定生理数据是否可以简化为较少的有效组合。
这种分析导致识别出五个不同的聚类——每个聚类代表一个独特的临床状态——显示出比现有方法明显改善的预测患者死亡能力。有趣的是，其中一个聚类包含大量与COVID-19感染相关的肺炎患者。
此外，在此次研究中取得的技术进展可能具有更广泛的意义。作为研究负责人，阿马拉尔实验室的研究生徐飞宏提到，研究团队“现在正在将这些技术应用于来自小鼠败血症模型的实验数据。”
目前，他们的研究尚未解决为什么一些患者在状态之间转换的原因，这是他们正在积极探索的领域。对肺炎和其他疾病的持续研究可能最终为更有效和可预测的治疗策略铺平道路。
