マルチスケールデータにより,機械学習モデルの性能が向上

科学分野:

• 流行病学
• 遺伝学
• 医療情報学

背景:

• 長期COVIDは,世界的に多くのSARS-CoV-2感染者に影響を及ぼします.
• 長期的なCOVIDリスクに関する現在の予測モデルは限られており,しばしば電子医療記録 (EHR) のデータのみに依存しています.
• 社会的,行動的,遺伝的要因は,長期のCOVID発症に潜在的に寄与する要因としてますます認識されています.

研究 の 目的:

• 長期COVIDリスクモデルの予測性能を,調査ベースのゲノム情報とEHRデータを統合することで改善するかどうかを調査する.
• 長期的なCOVIDの社会的,行動的,遺伝的予測要因を特定する.
• パーソナライズされた長期COVID介入のためのリスクの階層化を強化する.

主な方法:

• NIH オール・オブ・アーズ・リサーチ・プログラムから17,200人以上のSARS-CoV-2感染者の多様なコホートを利用した.
• EHRデータと調査応答とゲノム情報を組み合わせた,複数のスケールのデータ統合アプローチを採用しました.
• 受信機操作特性曲線 (AUROC) の下の面積を使用したEHRのみのモデルと統合されたモデルのパフォーマンスを比較した.

主要な成果:

• 統合されたマルチスケールモデルは,EHRだけのモデルと比較して,AUROCが0. 748 (95%CI: 0. 741, 0. 755) と対比して0. 736 (95%CI: 0. 730, 0. 741) であった.
• 特定された主要な予測要因には,現役状態,自己報告された疲労,および特定の遺伝子変異 (chr19:4719431:G:A_A) が含まれています.
• これらの発見は,長期のCOVIDを予測するマルチモダルのデータの価値を強調しています.

結論:

• 電子医療記録を社会的,行動的,遺伝的データと統合することで,長期のCOVIDリスクの予測が著しく向上します.
• 軍務,疲労,特定の遺伝子マーカーのような要因は重要な予測要因です.
• この多面的なアプローチは,長期的なCOVID管理のためのリスクの階層化と個別化された介入の改善の道を示しています.