机器学习算法对完整血液细胞计数的方法可以作为COVID-19结果的早期预测器

科学领域:

• 血液学 血液学 血液学
• 传染性疾病 传染性疾病
• 临床生物标志物 临床生物标志物

背景情况:

• 确定可靠的COVID-19预后生物标志物对于患者风险分层和及时的临床管理至关重要.
• 在症状发作后5天内早期服用抗病毒药物可以改善高风险患者的治疗结果.
• 完整血清 (CBC) 参数为检测感染引起的变化和预测疾病严重程度提供了一种可访问的方法.

研究的目的:

• 为了将CBC的血液学参数与COVID-19的不同临床形式相关联.
• 评估这些参数作为COVID-19疾病结果的预测指标的实用性,包括住院治疗.
• 确定特定的CBC指标,可以帮助早期风险评估和治疗干预决策.

主要方法:

• 在297名COVID-19患者的血液样本上进行了完整血液样本 (CBC).
• 使用统计分析,包括接收器运行特征 (ROC) 曲线,来评估相关性.
• 机器学习决策树算法被用来确定血液参数在预测疾病严重性的准确性.

主要成果:

• 传统的血液学标志物,如淋巴缺血,在感染的最初4天内并不明显.
• 单细胞百分比和颗粒细胞与淋巴细胞比率 (GLR) 成为住院治疗的可靠预测指标.
• 单细胞百分比低于7.7%和GLR高于8.75的患者被以86%的精度归类为住院患者.

结论:

• 单细胞百分比和GLR是预测COVID-19结果和识别需要住院治疗的患者的宝贵生物标志物.
• 这些简单的CBC参数可以指导治疗干预,包括早期的抗病毒药物管理,特别是在资源有限的环境中.
• 这些发现支持在入院时使用单细胞百分比和GLR进行风险分层.