相关实验视频
Updated: Jul 9, 2025
08:50
Predictive Immune Modeling of Solid Tumors
Published on: February 25, 2020
7.0K
基于机器学习的预测COVID-19死亡率使用免疫学和代谢生物标志物
Thomas Wetere Tulu1,2, Tsz Kin Wan3, Ching Long Chan1
1Department of Biomedical Sciences, City University of Hong Kong, Hong Kong SAR, China.
BMC digital health
|November 28, 2023
概括
机器学习模型可以使用免疫学和代谢生物标志物预测COVID-19死亡风险. 随机森林模型在识别严重疾病进展的关键因素方面表现出高准确性.
科学领域:
- 生物标志物和机器学习在传染病中的应用
- 计算生物学和生物信息学
- 公共卫生和流行病学
背景情况:
- 随着病例数的增加,COVID-19 构成了全球重大健康挑战.
- 传统的COVID-19检测方法耗时且昂贵.
- 预测COVID-19死亡率对于有效的患者管理和资源配置至关重要.
研究的目的:
- 确定用于预测COVID-19死亡率的免疫学和代谢生物标志物.
- 开发和比较用于COVID-19死亡率预测的机器学习模型.
- 提供与严重的COVID-19结果相关的关键因素的见解.
主要方法:
- 利用了5,059名COVID-19患者和532,427名对照者的电子医疗记录.
- 开发并比较了三个机器学习模型:深度神经网络 (DNN),随机森林分类器 (RF) 和支持矢量机器 (SVM).
- 确定了前20个生物标志物,并在独立队列中验证了表现最佳的模型.
主要成果:
- 确定了20个重要的免疫和代谢生物标志物,用于高准确度地预测COVID-19死亡率 (ROC-AUC为0.98).
- 随机森林 (RF) 模型实现了最准确的预测,突出了诸如年龄,质过,白蛋白和炎症标志物等生物标志物.
- 对单独队列的模型验证证实了预测性表现 (ROC-AUC为0.90).
结论:
- 医生应该监测血液学,凝血,心脏,肝脏,脏和炎症因素,以发现COVID-19的进展.
- 机器学习模型,特别是射频,在预测COVID-19死亡率方面表现有前途.
- 这项研究确定了一套全面的生物标志物,用于评估COVID-19严重性风险.
