去年Covid-19開始大流行時，克利夫蘭診所醫師、首席研究信息官拉若·杰依和她的同事們都有些茫然： “誰有危險? 誰可能生病? 他們需要什么樣的護理?”拉若·杰依說：“問題無窮無盡。我們沒有足夠的時間等待，看看隨著時間的推移會發生什么變化。”

克利夫蘭診所迫切需要答案，于是求助于“算法”，召集了17名專家，對從電子健康記錄中收集的數據進行定義，并使用“人工智能”來建立“預測性治療模型”。在兩周時間內，該診所根據12,000名患者的數據，包含患者的年齡，種族，性別，社會經濟狀況，疫苗接種史和當前用藥情況，創建了一種算法，來預測某人是否會對新型冠狀病毒產生陽性檢測結果。醫生在大流行初期使用這種測試模型，可以建議患者是否需要進行新冠病毒檢測，因為當初的檢測非常昂貴。

在過去一年中，該診所發表了超過32篇有關使用人工智能的論文。 拉若·杰依和她的同事創建了一些模型，以識別哪些新冠病毒攜帶者可能需要住院治療，從而有助于進行醫院的容量規劃。 他們還建立了另一個模型，該模型可以幫助醫生識別患者住重癥監護病房的風險，并優先考慮那些具有較高風險的患者。 當患者回家進行監視時，診所的軟件會標記出哪些患者可能需要返回醫院治療。

通過數據篩選的模型可幫助護理人員將重點放在風險最大的患者上，對患者康復所存在的威脅進行分類，并預見床和呼吸機等設施需求的激增。但是隨著確診病例的增多，人們也開始質疑用于構建模型的數據集是否足夠且沒有偏差。

在曼哈頓的西奈山醫院，遺傳學家本·格里克斯伯格(Ben Glicksberg)與哈索·普拉特納數字健康研究所和西奈山臨床情報中心的腎病學家吉里斯·納德卡尼(Girish Nadkarni)提出了與克利夫蘭診所的醫生相同的問題。 “這是一種全新的疾病，沒有劇本，也沒有模板，”納卡尼說。 “我們需要快速匯總來自不同來源的數據，以了解更多信息。”

去年春天，在北美爆發的Covid-19大流行期間，病人大量涌入西奈山醫院，研究人員利用數據來評估病人入院后三天，五天和七天內發生危急的風險，以預測患者的需求。Ben Glicksberg和吉里斯·納德卡尼的工作表明，這些模型識別出了高風險患者，并通過健康記錄揭示了哪些信息有助于預測結果。 “我們并不是說已經破解了將機器學習用于Covid分析的代碼，并且可以100%可靠地預測與臨床相關的事件，”本·格里克斯伯格說。“機器學習是整個難題的一部分，” Nadkarni補充說。

對于Covid 19，人工智能應用涵蓋了廣泛的問題，除了幫助臨床醫生做出治療決策，還可指導如何分配資源。 例如，紐約大學的Langone Health創建了一個人工智能程序，以預測哪些患者可以轉移到較低水平的機構進行護理或是回到家中康復。

弗吉尼亞大學醫學中心的研究人員一直在開發軟件，以幫助醫生檢測導致插管的“呼吸衰竭”。當Covid 19大流行爆發時，他們針對Covid-19修改了該軟件。這個名為CoMET的軟件融合了心電圖，實驗室測試結果和生命體征等信息，將監測結果投射到LCD屏幕上，該屏幕會隨著患者預期風險的增加而變大并變色，為看護人提供視覺警報。該軟件已在弗吉尼亞大學醫院使用，并已獲得其他醫院的許可。Jessica Keim-Malpass是該軟件的研究者之一，她認為將軟件的功能轉換為易于醫生，護士和其他護理人員使用的功能是關鍵。 她說：“臨床醫生每小時都會做出決定，有時甚至是每分鐘。該算法的重點應是更具實用性，幫助人類做出更好的決策。”

在約翰霍普金斯大學，生物醫學工程師和心臟專家開發了一種算法，可以在Covid-19的住院患者經歷心臟驟停或血凝塊之前向醫生發出警告。

人工智能看似幫了大忙，但亦有不少異議。

斯坦福大學的研究人員在《美國醫學信息學協會雜志》上的一篇文章中寫道，少量數據樣本不能代表總體患者人數。A.I. 在這場危機中可以幫助指導治療決策，但醫療系統過度依賴人工智能(這似乎是客觀的但并非如此)去分配呼吸機和重癥監護床等資源，這些工具是建立在有偏見的數據之上，反映了有偏見的醫療保健系統，因此，即使明確地排除了諸如種族或性別之類的敏感屬性，它們本身也存在著極高的偏見風險。

西奈山的格里克斯伯格和納德卡尼承認偏見問題的重要性。比如社會經濟地位，在幾乎所有與健康相關的方面都發揮著巨大作用，而這些因素并未得到準確地捕捉或無法在我們的數據中獲得。要確定如何在不中斷系統的情況下將這些模型公平有效地嵌入實踐中，還有許多工作要做。他們的最新模型通過檢查來自五家醫院的多臺服務器上的電子健康記錄來預測Covid-19患者的狀況，同時保護患者的隱私。 他們發現，該模型預測效果更好，醫生稱這種新模型在幫助預測患者結果方面是“無價之寶”。

拉若·杰依說，克利夫蘭診所數據庫現在有160,000多名患者，每位患者有400多個數據點以驗證其模型。 但是病毒正在變異，算法需要繼續追求最佳的治療模型。“問題不是沒有足夠的數據，而是必須使用這些模型不斷地對數據進行重新分析、更新和重新訪問，以保持其臨床價值。”