一种机器学习方法用于分配稀缺的COVID-19单克隆抗体.
Mengli Xiao1, Kyle C Molina2, Neil R Aggarwal3
1Department of Biostatistics and Informatics, Colorado School of Public Health, University of Colorado Anschutz Medical Campus, Aurora.
JAMA health forum
|September 13, 2024
概括
一种机器学习政策学习树 (PLT) 方法优化了COVID-19治疗分配,与观察方法相比,预期住院减少了1.6%. 这种方法提供了一个更有效的策略,在公共卫生危机期间分发稀缺的治疗药物.
科学领域:
- 卫生政策 卫生政策
- 医疗信息学 医疗信息学
- 机器学习 机器学习
背景情况:
- 在大流行期间,有效分配有限的COVID-19治疗方法是一个关键的政策挑战.
- 有限的研究已经探索了机器学习技术,如政策学习树 (PLT),以优化使用电子健康记录 (EHR) 数据的稀缺治疗分配.
研究的目的:
- 评估基于机器学习的PLT稀缺资源分配方法是否可以在资源限制下优化COVID-19中和单克隆抗体 (mAbs) 的治疗效益.
主要方法:
- 一项回顾性队列研究利用了2021年10月1日至2021年12月11日 (培训) 和2021年6月1日至2021年10月1日 (测试) 的EHR数据.
- 包括的患者检测出SARS-CoV-2阳性,并且符合FDA紧急使用授权的COVID-19 mAb治疗的资格.
- 主要结局是,如果使用基于PLT的分配系统,与观察到的分配相比,预计整体住院病例的潜在减少.
主要成果:
- 培训队列包括9542名符合条件的患者 (40.5%获得mAbs),测试队列有6248名符合条件的患者 (21.3%获得mAbs).
- 基于PLT模型的分配结果是,与观察到的分配相比,测试队列的整体预期住院病例减少了1.6%.
- 与单克隆抗体查得分相比,PLT系统显示28天住院时间的减少更大.
结论:
- 结合EHR数据平台的PLT方法可以增强稀缺治疗的实时分配.
- 实施这种基于PLT的分配可能会导致住院治疗比标准护理少.
- 与通用积分系统相比,PLT方法显示出预期的住院减少更大.
