基于临床特征的机器学习模型的开发和外部验证,用于预测COVID-19在紧急部门的情况

科学领域:

• 医疗信息学 医疗信息学
• 流行病学 流行病学
• 机器学习 机器学习

背景情况:

• 及时诊断新出现的传染病对于患者的治疗和疾病制至关重要.
• 机器学习 (ML) 模型以前被开发用于使用急诊部 (ED) 临床数据预测SARS-CoV-2感染.
• 在新种群中对这些ML模型进行外部验证是必不可少的.

研究的目的:

• 通过外部验证先前开发的ML方法来预测COVID-19.
• 评估模型在一个独特的ED群体中的表现.
• 评估ML在预测新出现的传染病方面的潜力.

主要方法:

• 来自美国和国际ED的回顾性数据收集用于培训和测试队列.
• 包括临床特征,人口统计和分拣信息.
• 利用梯度提升,随机森林和额外的树木分类器进行预测.
• 使用接收器操作特征曲线 (AUC) 下面的面积来评估模型性能.

主要成果:

• 在培训队列中有580名患者,在测试队列中有946名患者.
• 在各自的队列中,COVID-19的患病率分别为16.9%和19.0%.
• 所有ML模型都显示了可接受的歧视 (AUC).
• 随机森林实现了最高的AUC (0.785),超过了梯度增强和额外的树木.

结论:

• 这项研究验证了ML在ED中的COVID-19预测.
• 基于临床特征构建的ML模型可以预测新出现的传染病.
• 这种方法为传染病爆发的未来诊断挑战提供了有希望的解决方案.