使用机器学习方法识别和验证预后超炎性和低炎性COVID-19临床表型
Xiaojing Ji1, Yiran Guo1, Lujia Tang1
1Department of Emergency, Xinhua Hospital, Shanghai Jiao Tong University School of Medicine, Shanghai, 200092, People's Republic of China.
Journal of inflammation research
|March 4, 2025
概括
这项研究确定了两种不同的COVID-19亚型:低炎症和超炎症. 机器学习准确地分类了这些表型,有助于风险分层和个性化患者护理,以获得更好的结果.
科学领域:
- 传染性疾病 传染性疾病
- 免疫学 免疫学 免疫学
- 数据科学数据科学数据科学
背景情况:
- COVID-19呈现出显著的临床和生物异质性.
- 了解各种疾病的发展轨迹需要识别不同的患者表型.
- 表型化可以改善COVID-19的临床实践和试验设计.
研究的目的:
- 使用临床数据识别不同的COVID-19亚表型.
- 开发一种机器学习模型,用于准确的亚表型分类.
- 确定用于预测COVID-19亚表型和结果的关键临床变量.
主要方法:
- 采用了k-原型,从1376名成年COVID-19患者的50个临床变量中进行聚类.
- 利用机器学习算法来识别用于表型识别的关键分类变量.
- 应用了AdaBoost模型用于亚表型预测和性能评估.
主要成果:
- 确定了两个不同的亚表型:低炎症 (59.9%) 和超炎症 (40.1%).
- 低炎症患者的死亡率较低,住院时间较短;高炎症患者年龄较大,男性,死亡率和器官功能障碍较高.
- 在亚现象型预测中,AdaBoost模型实现了高精度 (0.975),其中"CRP"",IL-2R"和"D-dimer"作为关键预测因子.
结论:
- 确定了两种COVID-19表型,可以通过机器学习模型准确地分类.
- 鉴定的亚现象类型可以指导风险分层和临床管理策略.
- 关键生物标志物如CRP,IL-2R和D-二次体对于预测亚表型和患者结果至关重要.
