基于COVID-19患者的生理数据进行临床结果预测的机器和深度学习方法:范围审查
Dmitriy Viderman1, Alexander Kotov2, Maxim Popov3
1Department of Surgery, School of Medicine, Nazarbayev University, Astana, Kazakhstan; Department of Anesthesiology, Intensive Care, and Pain Medicine, National Research Oncology Center, Astana, Kazakhstan.
International journal of medical informatics
|December 13, 2023
概括
机器和深度学习 (MDL) 方法有效预测COVID-19患者的结果,包括死亡率和资源需求. 这次审查评估了MDL.
科学领域:
- 人工智能在医学中的应用
- 生物医学数据科学 生物医学数据科学
- 计算生物学 计算生物学
背景情况:
- 随着COVID-19的流行,许多机器和深度学习 (MDL) 方法的开发被激发,用于分析患者的生理数据.
- 评估这些MDL方法对预测临床结果的实际实用性至关重要.
研究的目的:
- 审查和总结应用到COVID-19患者数据的各种机器和深度学习 (MDL) 方法.
- 评估这些MDL方法在预测临床结果中的实际实用性.
主要方法:
- 在PubMed,Scopus和Cochrane图书馆的系统文献搜索.
- 包括标准选和相关研究的选择.
- 选择研究的临床和技术分析,重点关注患者队列,任务,局限性,方法和性能.
主要成果:
- 分析了48项研究,54%专注于死亡率预测,13%专注于生理结果/资源利用.
- MDL方法在预测COVID-19严重程度,并发症,ICU转移和死亡率方面表现出有效性.
- 在预测ICU床和通风器需求方面取得了很高的准确性.
结论:
- 机器和深度学习 (MDL) 方法对于预测COVID-19疾病严重程度,器官功能障碍,患者结果和资源需求是有价值的.
- 研究结果为医疗保健专业人员和人工智能研究人员提供了管理未来流行病的见解.
