预测轻度COVID-19患者的可穿戴传感器数据的恶化

科学领域:

• 生物医学工程 生物医学工程
• 传染病建模 传染病建模
• 数字健康数字健康

背景情况:

• 冠状病毒疾病 (COVID-19) 继续在全球范围内蔓延,导致大量死亡.
• 轻微的COVID-19病例可能会意外地发展为严重的疾病,需要在隔离期间进行主动监测.

研究的目的:

• 开发和验证基于机器学习的模型,用于预测在隔离期间轻度COVID-19患者的病情恶化.
• 利用可穿戴设备和临床调查问卷的数据进行早期预警.

主要方法:

• 从可穿戴传感器和COVID-19患者的临床问卷收集了生命体征.
• 使用推导队列 (n=50) 开发机器学习模型,并与外部队列 (n=181) 进行验证.
• 基于预测的预测时间和接收器特征曲线 (AUC) 下的面积来评估模型性能.

主要成果:

• 恶化预测模型在10分钟的预测时间内实现了0.99的AUC.
• 该模型在8小时的预测预测中显示出AUC为0.84.
• 关键预测变量根据预测时间范围而异.

结论:

• 使用可穿戴传感器数据和自我报告的症状的机器学习模型可以有效地监测COVID-19患者的恶化情况.
• 这种方法可以为患有轻度COVID-19的患者及时进行干预,从而有可能改善结果.
• 可穿戴技术提供了一个可扩展的解决方案,用于在传染病爆发时远程监测患者.