从电子医疗记录中进行深度表示学习,识别出基于症状的不同亚型和进展模式,以预测COVID-19的预后

科学领域:

• 传染病流行病学 传染病流行病学
• 计算生物学 计算生物学
• 临床信息学 临床信息学

背景情况:

• 症状模式对于管理COVID-19等急性传染病至关重要.
• 了解症状进展有助于患者的预后.
• 详细阐述的COVID-19亚型及其进展模式需要进一步调查.

研究的目的:

• 根据症状表型,调查不同的COVID-19患者亚型.
• 为了确定这些亚型的进展模式.
• 为了将亚型与患者的结果和预后相关联.

主要方法:

• 利用了2,683名COVID-19患者的14,139个纵向电子医疗记录 (EMR).
• 开发了一个深度表示学习模型,以提取患者的症状概况.
• 应用K-means集群来定义亚型,并使用费舍尔测试分析症状进展.

主要成果:

• 确定了三种不同的亚型:0亚型 (44.2%,食欲不佳,疲劳),1亚型 (25.6%,混乱,血) 和2亚型 (30.2%,干咳,鼻).
• 观察到显著的预后差异,死亡率分别为4.72%,8.59%和0.25%.
• 症状进展表明,某些早期症状 (例如,暗色的尿液,胸痛) 预测过渡到严重的亚型,而其他症状 (例如,恶心,吐) 则表明较轻的进展.

结论:

• 使用深度表示学习和EMR数据的新方法有效地识别了COVID-19的亚型和进展模式.
• 这种方法为改善,精确的分层和急性传染病的管理提供了潜力.
• 这些发现强调了基于症状的表型化在疾病管理中的临床实用性.