在COVID-19后患者中预测工作能力受损:基于临床参数的机器学习模型
Tarek Jebrini1, Michael Ruzicka2,3, Felix Völk4
1Department of Psychiatry and Psychotherapy, Ludwig Maximilian University (LMU) University Hospital, LMU Munich, Munich, Germany.
Infection
|January 17, 2025
概括
后COVID-19条件 (PCC) 可能导致无法工作 (ITW). 这项研究确定了与ITW相关的因素,并开发了一种预测模型,以确定有长期缺勤风险的患者.
科学领域:
- 医学研究 医学研究
- 公共卫生 公共卫生
- 长期的COVID研究
背景情况:
- 后COVID-19状态 (PCC) 显著影响日常功能,特别是患者的工作能力 (ITW).
- 了解导致ITW的因素对于有效的患者管理和康复策略至关重要.
- 以前的研究已经强调了PCC的多面性质,但持续ITW的具体预测因素需要进一步调查.
研究的目的:
- 确定与后COVID-19病情 (PCC) 患者无法工作 (ITW) 相关的临床和患者报告的因素.
- 开发和验证一个机器学习模型,用于预测ITW12个月后的基线.
- 为PCC患者提供临床决策和长期治疗计划的见解.
主要方法:
- 从PCC研究中分析了259名PCC患者,比较了ITW和没有ITW的患者.
- 采用了9个临床参数,包括住院治疗,感染严重程度,并发症和卡诺夫斯基指数,用于模型构建.
- 使用TensorFlow决策森林进行模型培训,并使用交叉验证和独立测试数据集验证性能.
主要成果:
- ITW与脂质失调,患者报告结果较差 (FSS,WHOQOL-BREF,PHQ-9),先前存在的精神疾病和广泛的医疗工作显著相关.
- 机器学习模型在10倍交叉验证过程中实现了0.83的平均AUC.
- 该模型在独立测试数据集上显示了0.76的AUC,表明了强大的预测能力.
结论:
- 几个关键因素预测后COVID-19条件患者无法工作.
- 开发的机器学习模型在预测扩展ITW方面表现出很高的性能.
- 这种预测工具可以帮助临床医生识别有风险的患者,指导管理和设定现实的治疗目标.
