使用多模式电子健康记录数据开发和验证长期COVID风险预测模型使用超级学习算法
Weijia Jin1,2, Wei Hao1,2, Xu Shi1
1Department of Biostatistics, School of Public Health, University of Michigan, Ann Arbor, MI 48109, USA.
Journal of clinical medicine
|December 9, 2023
概括
预测COVID-19 (PASC) 后急性后果非常重要. 超重/肥胖,先前使用他类药物和感染期间呼吸道症状是关键预测因素. 综合风险评分有助于识别患PASC风险较高的个人.
科学领域:
- 医学研究 医学研究
- 公共卫生 公共卫生
- 数据科学是数据科学.
背景情况:
- COVID-19 (PASC) 后急性后果是一个重大的全球健康挑战.
- 确定PASC的预测因素对于积极的医疗管理至关重要.
研究的目的:
- 使用多模式数据发现PASC的预测因素.
- 开发和评估PASC诊断的预测模型.
主要方法:
- 分析了92,301名COVID-19患者的电子健康记录.
- 利用基于超级学习者的预测方法进行因子识别.
- 综合模型输出到个人和复合风险评分,用于绩效评估.
主要成果:
- 确定了超重/肥胖,感染前使用HMG CoA减少酶抑制剂以及COVID-19期间呼吸道症状作为PASC的预测因素.
- 开发了一个复合风险评分,具有中度的区分能力 (AUC:0.66).
- 综合风险评分发现10%的个人患PASC的风险增加了2.2倍.
结论:
- 确定了几个预测PASC诊断的因素.
- 为了帮助PASC预测,开发了一个综合风险评分.
- 这种风险评分可以帮助识别高风险个体,并为预防策略提供信息.


