使用机器学习预测Omicron波期间SARS-CoV-2感染的临床结果
Steven Cogill1,2, Shriram Nallamshetty1, Natalie Fullenkamp1
1VA Palo Alto Cooperative Studies Program Coordinating Center, Palo Alto, CA, United States of America.
PloS one
|April 25, 2024
概括
在Omicron激增期间识别高风险患者至关重要. 预测模型发现,晚年,并发症和未接种疫苗的情况预测了严重的结果,这表明有针对性的疫苗接种可以显著减少住院和死亡.
科学领域:
- 流行病学 流行病学
- 公共卫生 公共卫生
- 医疗信息学 医疗信息学
背景情况:
- SARS-CoV-2 的 Omicron 变种对医疗保健系统构成了重大挑战.
- 识别患有不良结果高风险的患者是公共卫生优先事项.
研究的目的:
- 为 SARS-CoV-2 Omicron 感染中不良结果开发人口规模的预测模型.
- 确定住院,护理升级和死亡的关键预测因素.
- 模拟优先接种疫苗对高风险群体的影响.
主要方法:
- 对172,814名美国退伍军人卫生管理局的SARS-CoV-2阳性测试患者进行了回顾性纵向观察研究 (2022年1月15日至8月15日).
- 利用机器学习模型,结合社会人口统计数据,并发病症和疫苗接种情况.
- 预计30天住院,护理升级和死亡.
主要成果:
- 高龄,高并发症负担,低BMI,未接种疫苗的状态,以及口服抗凝剂的使用预测了住院治疗和护理的升级.
- 类似的因素预测了死亡,尽管抗凝剂的使用不是死亡率的重要预测因素.
- 所有原因死亡模型显示出最高的预测性歧视 (AUC = 0.903).
结论:
- 机器学习模型有效地识别了Omicron感染患者不良结果的预测因素.
- 针对高风险群体的有针对性的疫苗接种策略可以大幅减少住院和死亡.
- 预测模型有助于资源分配和公共卫生干预在病毒激增期间.
相关概念视频
01:18Steps in Outbreak Investigation
124
In the ever-evolving field of public health, statistical analysis serves as a cornerstone for understanding and managing disease outbreaks. By leveraging various statistical tools, health professionals can predict potential outbreaks, analyze ongoing situations, and devise effective responses to mitigate impact. For that to happen, there are a few possible stages of the analysis:
124
01:15Receiver Operating Characteristic Plot
143
A ROC (Receiver Operating Characteristic) plot is a graphical tool used to assess the performance of a binary classification model by illustrating the trade-off between sensitivity (true positive rate) and specificity (false positive rate). By plotting sensitivity against 1 - specificity across various threshold settings, the ROC curve shows how well the model distinguishes between classes, with a curve closer to the top-left corner indicating a more accurate model. The area under the ROC curve...
143