medRxiv预印平台于4月14日发布了英国谢菲尔德大学等的文章“A novel high specificity COVID-19 screening method based on simple blood exams and artificial intelligence”，研究人员开发了一种由人工智能支持的策略，以对COVID-19疑似病例进行初步筛查。
文章指出，高效的COVID-19诊断使医疗保健系统能够为患者提供更好的护理，同时保护医护人员免受疾病侵害。然而，许多国家受制于可用的检测试剂盒数量有限，设备和训练有素的专业人员缺乏。对于疑似COVID-19前往急诊室（ER）就诊的患者，及时诊断可以改善结果，甚至为医院的高效管理提供信息。在这种情况下，在ER进行初诊时进行快速、廉价且现成的检测有助于患者分流顺畅，提供更好的患者护理并减少检查的积压。
研究人员开发了一种机器学习分类器，它将广泛可用的简单血液检查作为输入，并预测该可疑病例是阳性（SARS-CoV-2感染）还是阴性（没有SARS-CoV-2感染）。基于此初始分类，可以将阳性病例转诊以进行进一步的高灵敏的检测（例如CT扫描或特异性抗体）。研究人员使用了来自巴西阿尔伯特•爱因斯坦医院的5644名患者的公开数据。着重于使用简单的血液检查，选择了16项常见检查中缺失值最少的599名受试者作为样本。在这599名患者中，只有81名患者的SARS-CoV-2（通过RT-PCR检测）呈阳性。基于此数据，研究人员建立了一个人工智能分类框架ER-CoV，旨在确定哪些患者到ER就诊时对SARS-CoV-2呈阴性的可能性比较大，哪些患者被医疗专业人员归类为疑似病例。文章指出其研究的主要目的是开发一种具有高特异性和高阴性预测值且具有合理灵敏度的分类器。
研究人员确定其构建的框架的平均特异性为92.16％ [95％CI 91.73-92.59]，阴性预测值（NPV）为95.29％ [95％CI 94.65％-95.90％]。文章表示，这些数值与其目标完全一致，即提供一个有效的低成本系统对急诊室中疑似患者进行分流。研究人员指出，该模型达到的平均灵敏度为63.98％ [95％CI 59.82％-67.50％]，阳性预测值（PPV）为48.00％ [95％CI 44.88％-51.56％]。研究人员通过误差分析发现，平均而言，45％的假阴性结果无论如何还是会住院的，因此，该模型对严重病例的错误预测是不会被忽略的，这部分缓解了该测试不高的灵敏度。该研究的人工智能模型的所有代码，称为ER-CoV，可在https://github.com/soares-f/ER-CoV公开查阅。
文章解释称，基于其模型，可以准确预测到达急诊室的疑似患者中哪些病例为COVID-19阴性，研究人员设想该框架可以在患者分流中发挥重要作用。可能最重要的结果与检测的可用性有关，而目前这在许多国家中极低。考虑到已达到的特异性，研究人员将在急诊室进行的SARS-CoV-2检测数量至少减少90％，假阴性率大约为5％。第二个重要结果与医院的患者管理有关。文章指出，其框架预测为阳性的患者可以在等待确诊结果时，立即与其他患者区分开，这可能会降低医院内部的传播率，因为在许多医院中，所有疑似病例都在同一病房中。
*注，本文为预印本论文手稿，是未经同行评审的初步报告，其观点仅供科研同行交流，并不是结论性内容，请使用者谨慎使用。
