群众来源的机器学习预测长期COVID使用来自国家COVID队列协作协作的数据
Timothy Bergquist1, Johanna Loomba2, Emily Pfaff3
1Sage Bionetworks, Seattle, WA, USA.
EBioMedicine
|September 25, 2024
概括
研究人员开发了机器学习模型来预测长期COVID风险. 长期COVID计算挑战 (L3C) 确定了准确的算法,以帮助识别患有这种疾病风险的患者.
科学领域:
- 计算流行病学计算流行病学
- 机器学习在医疗保健中的应用
- 公共卫生信息学 公共卫生信息学
背景情况:
- SARS-CoV-2 (PASC) 或长期COVID的后急性后续症 presents是一个重要的公共卫生挑战,其流行率尚不清楚.
- 识别患有长期COVID风险的患者对于早期干预和管理至关重要.
- 长期COVID风险预测的现有工具是有限的.
研究的目的:
- 为长期COVID风险预测提供准确和可解释的机器学习模型的开发提供激励.
- 使用计算方法识别患有长期COVID高风险的患者.
- 为长期COVID研究利用国家COVID队列协作 (N3C) 数据.
主要方法:
- 长期COVID计算挑战 (L3C) 是由RADx-rad工作组与RECOVER合作组织的.
- 参与者使用N3C数据集开发了长期COVID风险预测算法,N3C数据集是来自75多家美国医疗机构的非识别健康数据库.
- 算法是根据它们在预测长期COVID发展方面的准确性进行评估的.
主要成果:
- 74个团队开发了35个长期COVID预测模型.
- 排名前10的模型实现了接受器运营商曲线下的面积 (AUROC) 超过0.80,最高得分的模型达到0.895.
- 一个值得注意的提交包括基于临床事件的患者风险评估可视化仪表板.
结论:
- L3C成功地确定了能够预测长期COVID风险的多个机器学习模型.
- 在这个挑战中开发的方法可以应用于未来的临床预测任务.
- 这些模型为识别有风险的个体和为临床实践提供信息提供了一个有希望的途径.


