一个人工智能驱动的患者分拣平台,用于未来的病毒爆发,使用COVID-19作为疾病模型

科学领域:

• 生物医学信息学 生物医学信息学
• 传染病流行病学 传染病流行病学
• 计算生物学 计算生物学

背景情况:

• 流行病需要强大的系统来管理疾病爆发.
• 在卫生危机期间,预测模型对于有效的患者分拣和资源分配至关重要.

研究的目的:

• 开发一个机器学习平台,用于预测COVID-19疾病严重程度和住院时间.
• 创建一个多功能工具,用于在病毒爆发期间对患者进行分类,优化医疗保健资源配置.

主要方法:

• 在血样本上的组合非向代谢量与来自COVID-19患者和健康对照者的临床和并发症数据.
• 开发了一种由三部分组成的机器学习模型:临床决策树,住院时间估计和疾病严重程度预测.
• 使用的生物标志物包括乙氨基基,血清素,5-氧三甲,艾伦因和葡萄糖酸.

主要成果:

• 鉴定出埃索诺菲尔细胞增加是COVID-19预后更差的预测因素 (AUC=0.974).
• 准确估计患者在±5天内住院的时间 (R2=0.9765).
• 在严重病例中观察到血清激素水平下降,以及5-基三,艾伦因和葡萄糖酸水平增加,作为疾病进展的预测因素.

结论:

• 开发的机器学习模型准确地预测了COVID-19的严重程度和住院时间.
• 代谢和临床数据的整合提供了一个强大的平台,用于患者的分类.
• 这种方法可以适应未来的病毒爆发,以提高患者护理和优化医疗保健资源.