一种定制的机器学习方法用于预测用葡萄糖皮质类药物治疗的严重COVID-19患者的死亡率
F Salton1, M Rispoli2, P Confalonieri1
1Pulmonology Unit, University Hospital of Cattinara, Trieste, Italy;, Department of Medical Surgical and Health Sciences, University of Trieste, Trieste, Italy.
机器学习准确地预测了用葡萄糖皮质类药物 (GCs) 治疗的严重COVID-19肺炎患者的死亡风险. 关键预测因素包括C反应性蛋白,氧化水平和患者年龄.
科学领域:
- 医疗信息学 医疗信息学
- 肺部病理学 肺部病理学
- 机器学习 机器学习
背景情况:
- 严重的COVID-19肺炎会给医疗保健系统带来压力,需要改善患者的预测结果.
- 葡萄糖皮质类药物 (GCs) 是有效的,但患者的反应有所不同,目前的得分无法预测不响应者.
- 准确的死亡率预测对于接收GC的COVID-19肺炎患者的管理至关重要.
研究的目的:
- 开发和验证一种机器学习 (ML) 模型,用于预测用GC治疗的COVID-19肺炎患者的医院死亡率.
- 确定影响死亡风险的关键临床和实验室特征.
- 为了比较不同ML算法对这个预测任务的性能.
主要方法:
- 用GCs治疗的825名COVID-19肺炎患者的回顾性分析.
- XGBoost用于从52个初始变量中选择特征.
- 评估了6种ML技术; 随机森林显示了最高的性能.
- 用于特征解释性的沙普利增量解释 (SHAP) 值.
主要成果:
- 确定了9个死亡率的关键预测因素:C反应蛋白 (CRP),动脉部分氧气压与吸入氧气比率 (PaO2 / FiO2),年龄,冠状动脉疾病,侵入性机械通风,急性功能衰竭,慢性心力衰竭,初始PaO2 / FiO2和体重指数.
- 随机森林模型在0.938.93的接收器操作特征曲线 (AUC) 下实现了高测试区域.
- SHAP分析表明,年龄和PaO2/FiO2的改善是最有影响力的预测因素,PaO2/FiO2的改善超过了CRP减少的影响.
结论:
- 开发的ML算法有效地预测了接受GC的COVID-19肺炎患者在医院死亡的风险.
- 该模型的预测能力突显了ML在重症监护机构的潜力.
- 这种ML方法可以适应其他具有类似临床变量的数据集,用于预测COVID-19结果.
更多相关视频
04:09Predicting Treatment Response to Image-Guided Therapies Using Machine Learning: An Example for Trans-Arterial Treatment of Hepatocellular Carcinoma
Published on: October 10, 2018
12:18A Machine Learning Approach to Design an Efficient Selective Screening of Mild Cognitive Impairment
Published on: January 11, 2020
相关概念视频
Actuarial Approach
Consider the example of a high-risk surgical procedure with significant early-stage mortality. A two-year clinical study is conducted,...
Kaplan-Meier Approach
Comparing the Survival Analysis of Two or More Groups
Acute Respiratory Failure-V
Ensure that patients are monitored continuously for their response to therapy, including changes in...
Cancer Survival Analysis
Drugs for Treatment of Crohn's Disease in IBD Using Glucocorticoids
