使用多式深度学习进行长期SARS-CoV-2中和抗体水平预测:在中国武汉对纵向数据进行前性队列研究
Cong Fang1, Weiming Yan2, Yuying Chen2
1School of Electronic Information and Communications, Huazhong University of Science and Technology, Wuhan, China.
Journal of medical virology
|August 25, 2023
概括
包括中和抗体 (Nab) 在内的SARS-CoV-2抗体水平在感染后随着时间的推移而下降. 一种新的深度学习模型预测了长期抗体水平,有助于评估再感染风险和优化疫苗接种时间.
科学领域:
- 免疫学 免疫学 免疫学
- 传染性疾病 传染性疾病
- 人工智能在医学中的应用
背景情况:
- 随着COVID-19的蔓延,全球健康和经济面临重大挑战.
- 了解SARS-CoV-2中和抗体 (NAB) 的持续时间对于公共卫生政策和感染风险评估至关重要.
研究的目的:
- 描述COVID-19感染后IgG和Nab水平的时间变化.
- 开发和验证用于预测长期抗体水平的深度学习模型.
- 为了确定影响抗体持久性的预后因素.
主要方法:
- 在450名COVID-19患者的IgG和NAB水平的长度评估在出院后的3,6,12和18个月.
- 开发一个包含人口统计数据,临床报告和CT扫描的深度学习模型.
- 使用SHAP和GradCAM验证模型可解释性.
主要成果:
- 3个月IgG水平达到峰值,12个月保持稳定,然后下降18个月;NAB水平从6个月开始下降.
- 开发的长期抗体预测 (LTAP) 模型准确预测了长期IgG和NAB水平,优于传统模型.
- 抗体水平的关键预测因素包括FDP,T/B/NK细胞百分比,年龄,性别和并发症.
结论:
- LTAP模型提供了一种可靠的方法来预测长期抗体水平,并识别患有复发感染风险的个体.
- 凝血障碍和过度的免疫反应与IgG和Nab的产生有关,这表明疾病的严重程度.
- 该模型可以为医疗保健政策提供有关疫苗接种策略和感染预防的信息.
