克利夫兰诊所迫切需要答案，于是求助于“算法”，召集了17名专家，对从电子健康记录中收集的数据进行定义，并使用“人工智能”来建立“预测性治疗模型”。在两周时间内，该诊所根据12,000名患者的数据，包含患者的年龄，种族，性别，社会经济状况，疫苗接种史和当前用药情况，创建了一种算法，来预测某人是否会对新型冠状病毒产生阳性检测结果。医生在大流行初期使用这种测试模型，可以建议患者是否需要进行新冠病毒检测，因为当初的检测非常昂贵。
在过去一年中，该诊所发表了超过32篇有关使用人工智能的论文。 拉若·杰依和她的同事创建了一些模型，以识别哪些新冠病毒携带者可能需要住院治疗，从而有助于进行医院的容量规划。 他们还建立了另一个模型，该模型可以帮助医生识别患者住重症监护病房的风险，并优先考虑那些具有较高风险的患者。 当患者回家进行监视时，诊所的软件会标记出哪些患者可能需要返回医院治疗。
通过数据筛选的模型可帮助护理人员将重点放在风险最大的患者上，对患者康复所存在的威胁进行分类，并预见床和呼吸机等设施需求的激增。但是随着确诊病例的增多，人们也开始质疑用于构建模型的数据集是否足够且没有偏差。
在曼哈顿的西奈山医院，遗传学家本·格里克斯伯格(Ben Glicksberg)与哈索·普拉特纳数字健康研究所和西奈山临床情报中心的肾病学家吉里斯·纳德卡尼(Girish Nadkarni)提出了与克利夫兰诊所的医生相同的问题。 “这是一种全新的疾病，没有剧本，也没有模板，”纳卡尼说。 “我们需要快速汇总来自不同来源的数据，以了解更多信息。”
去年春天，在北美爆发的Covid-19大流行期间，病人大量涌入西奈山医院，研究人员利用数据来评估病人入院后三天，五天和七天内发生危急的风险，以预测患者的需求。Ben Glicksberg和吉里斯·纳德卡尼的工作表明，这些模型识别出了高风险患者，并通过健康记录揭示了哪些信息有助于预测结果。 “我们并不是说已经破解了将机器学习用于Covid分析的代码，并且可以100%可靠地预测与临床相关的事件，”本·格里克斯伯格说。“机器学习是整个难题的一部分，” Nadkarni补充说。
对于Covid 19，人工智能应用涵盖了广泛的问题，除了帮助临床医生做出治疗决策，还可指导如何分配资源。 例如，纽约大学的Langone Health创建了一个人工智能程序，以预测哪些患者可以转移到较低水平的机构进行护理或是回到家中康复。
弗吉尼亚大学医学中心的研究人员一直在开发软件，以帮助医生检测导致插管的“呼吸衰竭”。当Covid 19大流行爆发时，他们针对Covid-19修改了该软件。这个名为CoMET的软件融合了心电图，实验室测试结果和生命体征等信息，将监测结果投射到LCD屏幕上，该屏幕会随着患者预期风险的增加而变大并变色，为看护人提供视觉警报。该软件已在弗吉尼亚大学医院使用，并已获得其他医院的许可。Jessica Keim-Malpass是该软件的研究者之一，她认为将软件的功能转换为易于医生，护士和其他护理人员使用的功能是关键。 她说：“临床医生每小时都会做出决定，有时甚至是每分钟。该算法的重点应是更具实用性，帮助人类做出更好的决策。”
在约翰霍普金斯大学，生物医学工程师和心脏专家开发了一种算法，可以在Covid-19的住院患者经历心脏骤停或血凝块之前向医生发出警告。
人工智能看似帮了大忙，但亦有不少异议。
斯坦福大学的研究人员在《美国医学信息学协会杂志》上的一篇文章中写道，少量数据样本不能代表总体患者人数。A.I. 在这场危机中可以帮助指导治疗决策，但医疗系统过度依赖人工智能(这似乎是客观的但并非如此)去分配呼吸机和重症监护床等资源，这些工具是建立在有偏见的数据之上，反映了有偏见的医疗保健系统，因此，即使明确地排除了诸如种族或性别之类的敏感属性，它们本身也存在着极高的偏见风险。
西奈山的格里克斯伯格和纳德卡尼承认偏见问题的重要性。比如社会经济地位，在几乎所有与健康相关的方面都发挥着巨大作用，而这些因素并未得到准确地捕捉或无法在我们的数据中获得。要确定如何在不中断系统的情况下将这些模型公平有效地嵌入实践中，还有许多工作要做。他们的最新模型通过检查来自五家医院的多台服务器上的电子健康记录来预测Covid-19患者的状况，同时保护患者的隐私。 他们发现，该模型预测效果更好，医生称这种新模型在帮助预测患者结果方面是“无价之宝”。
拉若·杰依说，克利夫兰诊所数据库现在有160,000多名患者，每位患者有400多个数据点以验证其模型。 但是病毒正在变异，算法需要继续追求最佳的治疗模型。“问题不是没有足够的数据，而是必须使用这些模型不断地对数据进行重新分析、更新和重新访问，以保持其临床价值。”
