前几天在鹅厂的技术公众号上读到的文章，一时兴起花了一点时间研究，汇成这篇软文，不足之处，望读者多多指正。
引言
近日，Nature子刊发出重磅——腾讯与钟南山院士分布了关于新冠危重症的AI预测模型
模型介绍
传统的危重症患者的转换概率预测模型有CURB_6、经典的生存分析Cox模型；而此次腾讯与钟院士团对提出了深度学习的生存Cox模型，并获得更高的预测准确性。其可分别预测患者在将来的5天、10天、30天内的病情危重概率，帮助医者可以更好的做好早期的病情分诊工作，提升患者的治愈率，提高工作的人的医治效率。
模型获取
同时该项研究成果也一发表至《Nature》期刊中，并且相关源码也开源在了github上，同时，其研究成果也公布在网站上，可以供国内外的医护人员使用：
github地址：https://github.com/cojocchen/covid19_critically_ill
其模型实现主要基于的为python与R语言。
相关网站：https://aihealthcare.tencent.com/COVID19-Triage_en.html
相关的微信小程序：
模型原理
如果有时间和机会，笔者跑会这个源码后，会再写一篇相关更为详细的文章，以下仅为笔者现阶段的浅见，不足之处望多多指正：
模型提取了患者的十项特征数据;
FEATURE_LIST = [
'Number.of.comorbidities',
'Lactate.dehydrogenase',
'Age',
'NLR',
'Creatine.kinase',
'Direct.bilirubin',
'Malignancy',
'X.ray.abnormality',
'COPD',
'Dyspnea',]
主要为：年龄、是否气促、是否有恶性肿瘤病史、是否有慢性肺阻、合并症数量、是否有 X 光平片异常、血液中性粒细胞与淋巴细胞比例、血液乳酸脱氢酶含量、血液直接胆红素含量、血液肌酸激酶含量。并对这10项特征进行了单因素分析，以观测找出新冠危重的显著影响因素。论文结果如下图：
模型的优点
从文献中同时考虑部分地区无法获取全部数据的情况，利用拟合算法实现了缺失数据得插补，具有很好的应用实践性，并且，在模型回溯的过程中，只发生2例的错误判阴案例，并且，经过数据增强策略后，模型在仅7项数据的情况下，仍有较好得表现。
小结
相信在未来，人工智能技术在各大领域都会得到较好的相应的下沉应用，到那时，人类的生活将更加美好！
参考
腾讯技术工程