住院癌症患者的COVID-19后病情预测:基于机器学习的方法
Sara Mahvash Mohammadi1, Mikhail Rumyantsev2, Elina Abdeeva2
1Centre for Cancer Screening, Prevention and Early Detection, Wolfson Institute of Population Health, Queen Mary University of London, London EC1M 6BQ, UK.
Cancers
|February 26, 2025
概括
这项研究使用机器学习预测癌症患者的COVID后状况 (PCC). k-最近邻居 (KNN) 模型显示出强大的预测性能,有助于对脆弱的癌症幸存者进行早期干预.
科学领域:
- 在瘤学瘤学.
- 传染性疾病 传染性疾病
- 医疗信息学 医疗信息学
背景情况:
- 由于COVID-19的流行,导致了长期的健康问题,称为后COVID状况 (PCC).
- 癌症患者代表了一个脆弱的群体,在住院后容易患PCC.
- 了解该人群中PCC发病率对于管理长期健康结果至关重要.
研究的目的:
- 预测住院癌症患者中COVID后疾病 (PCC) 的发生率.
- 评估机器学习模型在预测PCC发展方面的有效性.
- 确定从COVID-19中康复的癌症患者中PCC的关键预测因素.
主要方法:
- 进行了一项纵向队列研究,涉及49个临床特征.
- 使用了机器学习分类器,包括后勤回归,随机森林,SVM,KNN和神经网络.
- 数据收集发生在急性COVID-19感染期间,并在出院后6个月和12个月的随访期间.
主要成果:
- k-最近邻国 (KNN) 模型实现了最高的预测准确性.
- KNN显示曲线下的面积 (AUC) 为0.80,灵敏度为0.73和特异性为0.69.
- 严重的COVID-19和先前存在的并发症被确定为PCC的显著预测因素.
结论:
- 机器学习,特别是KNN,显示出在癌症患者中预测PCC的潜力.
- 早期识别PCC风险可以促进及时干预和个性化护理策略.
- 对于COVID-19后的癌症患者来说,长期监测至关重要,以减轻PCC的影响.
