在2020年全球大流行病的背景下，见证了其带来的迅速破坏。到了2021年，尽管已经在一定程度上应对了这一挑战，但评估病情恶化风险以进行有效的临床决策和资源分配仍然是一项艰巨的任务，尤其是在资源有限的情况下。
许多医院广泛使用了传统的机器学习和深度学习方法，但收集大规模、标记的训练集是昂贵的，并且只能由资金充足的研究机构完成。这些数据的可用性对于促进机器学习方法的新研究至关重要，以改善基于图像的诊断。
然而，这些数据集并没有捕捉到像COVID-19这样的新兴疾病数据。目前，大多数医院中心还没有收集到足够的COVID-19患者数据，无法训练深度学习表示。技术和隐私考虑也阻止了多个研究中心之间的数据共享。
他们提出了三种模型：基于单个X光图像预测患者恶化的模型，即从单一图像中预测不良事件；基于一系列X光图像预测患者恶化的模型，即从多个图像中预测不良事件；以及基于单个X光图像预测患者可能需要多少补充氧气的模型，即从单一图像中预测氧气需求。
单图像预测模型无法与人类专家匹敌，但仍为研究开辟了新的可能性。如上所述，基于一系列X光图像的模型使用MoCo和Transformers可以提前四天（96小时）预测患者是否需要更密集的护理解决方案，通常优于人类专家的预测。这种模型是首批能够在预测患者是否需要氧气资源的同时，考虑COVID感染随时间演变的技术之一。