机器学习预测建模用于在大流行期间识别中度冠状病毒疾病2019年:一项回顾性研究

科学领域:

• 医学研究 医学研究
• 机器学习在医疗保健中的应用
• 传染病流行病学 传染病流行病学

背景情况:

• 区分中度COVID-19和轻度病例对于及时治疗和资源分配至关重要.
• 预测模型可以帮助早期识别可能患有中度COVID-19的患者.
• 这项研究旨在开发和验证适度COVID-19的预测模型.

研究的目的:

• 构建和评估用于预测中度COVID-19的机器学习模型.
• 确定与中度COVID-19进展相关的关键临床和实验室因素.
• 选择最佳模型来预测中度的COVID-19发生情况.

主要方法:

• 对231名COVID-19患者进行了回顾性研究.
• 收集的数据包括人口统计,临床症状,并发症和实验室结果.
• 机器学习模型 (BNB,LDA,SVM,LASSO,LR) 被训练并使用AUC,灵敏度和特异性进行比较.

主要成果:

• 综合年龄,呼吸速率,乳酸脱酶,D-二聚体和白蛋白的物流回归 (LR) 模型显示出预测能力.
• 在LR模型中,AUC为0.719,灵敏度为0.681,特异性为0.635.
• 该模型显示,在66岁以下的患者中,预测性表现提高 (AUC = 0.7656).

结论:

• 开发的LR模型有效地预测了中度的COVID-19.
• 关键预测因素包括年龄,呼吸速率,D-二次体,乳酸脱酶和专蛋白.
• 该模型对于预测年轻患者队列 (≤66岁) 中的中度COVID-19特别有用.