开发一种可解释的机器学习模型,用实验室标记器预测COVID-19患者在重症监护室入院前病情恶化
A Reina-Reina1,2, J M Barrera1,2, A Maté1,2
1Lucentia Research. Department of Software and Computing System, University of Alicante, Carretera San Vicente del Raspeig s/n, 03690, Alicante, Spain.
Heliyon
|December 21, 2023
概括
机器学习模型可以使用常规实验室测试预测严重的COVID-19进展. 乳酸脱酶和年龄等关键指标有助于识别处于早期干预风险的患者.
科学领域:
- 传染性疾病 传染性疾病
- 医疗信息学 医疗信息学
- 血液学 血液学 血液学
背景情况:
- 冠状病毒疾病 (COVID-19) 管理需要从紧急响应过渡到综合战略.
- 像BA.2.286这样的新兴变种需要早期检测和反应,特别是在脆弱人群中.
- 识别面临重症监护或死亡高风险的患者对于有效的COVID-19管理至关重要.
研究的目的:
- 开发一种预测模型,用于识别患有严重COVID-19进展风险的患者.
- 确定用于早期诊断和COVID-19患者风险分层的实验室标记物.
- 预测COVID-19患者的重症监护室入院和高死亡风险.
主要方法:
- 来自2,935名COVID-19患者的血液学,生化学和人口学变量的回顾性评估.
- 应用可解释的机器学习模型,使用精确回忆措施进行特征选择.
- 模型训练使用分层交叉验证 (k=5) 和内部验证.
主要成果:
- 机器学习模型实现了77.27%的准确度,78.55%的灵敏度和0.85.85的AUC.
- 严重的COVID-19进展的关键预测特征包括乳酸脱酶,年龄,红细胞分布标准偏差,中性粒细胞和血小板.
- 该模型成功识别了患有严重疾病进展风险增加的患者.
结论:
- 实验室测试可以显著加快COVID-19诊断过程和风险评估.
- 专注于关键的实验室指标,可以为高风险患者采取更早的预防措施.
- 这种方法通过及时干预来优化患者的护理和预后.


