引言：
麻省總醫院布萊根（Mass General Brigham）領導的一項最新研究顯示，長新冠（Long COVID）的真實影響可能遠超目前估計，且現行的監測系統可能因過度依賴診斷代碼而未能準確捕捉。研究人員利用一種新型人工智慧（Artificial Intelligence，AI）演算法，分析了美國 58 家醫院近 46 萬名新冠病毒（COVID-19）患者的醫療記錄，發現約六分之一（約 16%）的患者發展成長新冠。這項發現暗示，長新冠的實際病例數可能高達 1800 萬，是目前監測估計值的兩倍。
AI 演算法揭示長新冠真實規模
研究團隊開發了一種創新的 AI 演算法，旨在更全面地檢索醫療記錄中與長新冠相關的資訊。傳統的監測系統主要依賴於特定的診斷代碼來識別長新冠病例，但這種方法可能無法捕捉到所有病例，特別是當患者的症狀表現多樣且複雜時。AI 演算法能夠分析大量的非結構化數據，例如醫生的筆記和患者的描述，從而更準確地識別長新冠病例。
透過應用此 AI 演算法，研究人員得以深入分析來自美國各地 58 家醫院的近 46 萬名新冠病毒患者的醫療記錄。分析結果顯示，約 16% 的患者在感染新冠病毒後發展成長新冠。這一比例遠高於目前許多監測系統所報告的數字，突顯了現行監測方法可能存在的局限性。研究結果表明，長新冠的真實影響可能被嚴重低估，需要更有效的監測策略來應對這一公共衛生挑戰。
現行監測系統的局限性
目前，美國的長新冠監測系統主要依賴於診斷代碼，例如國際疾病分類（International Classification of Diseases，ICD）代碼，來識別病例。然而，這種方法存在多個局限性。首先，許多長新冠患者可能沒有被正確診斷或編碼，特別是當他們的症狀與其他疾病相似時。其次，一些醫療機構可能沒有充分使用診斷代碼來記錄長新冠病例，導致數據不完整。
此外，長新冠的症狀表現多樣，包括疲勞、呼吸困難、認知功能障礙等，這些症狀可能難以用單一的診斷代碼來涵蓋。因此，僅僅依賴診斷代碼可能無法捕捉到所有長新冠病例，導致監測數據的低估。研究人員強調，需要開發更全面的監測策略，包括使用 AI 演算法等先進技術，以更準確地評估長新冠的真實影響。
研究結果的公共衛生意義
這項研究的結果具有重要的公共衛生意義。首先，它突顯了長新冠可能對美國人口造成的巨大影響，估計可能影響多達 1800 萬人。這意味著需要投入更多的資源來支持長新冠患者的診斷、治療和康復。其次，研究結果表明，現行的監測系統可能無法準確反映長新冠的真實規模，需要進行改進。
研究人員建議，應加強醫療機構對長新冠的診斷和編碼，並鼓勵使用 AI 演算法等先進技術來輔助監測。此外，還需要加強對長新冠的研究，以更好地了解其病理機制、風險因素和最佳治療方案。只有透過更全面的監測和研究，才能有效地應對長新冠帶來的公共衛生挑戰，並為患者提供更好的照護。
Newsflash | Powered by GeneOnline AI
For any suggestion and feedback, please contact us.
原始資料來源: GO-AI-6號機
Date: May 27, 2026