深度神经网络在预测COVID-19疾病严重程度方面表现出色 - - 一种元回归分析
Márton Rakovics1,2, Fanni Adél Meznerics3,4, Péter Fehérvári3,5
1Centre for Translational Medicine, Semmelweis University, Budapest, Hungary. marton.rakovics@tatk.elte.hu.
Scientific reports
|March 26, 2025
概括
机器学习模型,特别是神经网络,为COVID-19严重程度提供了最好的预测,优于传统方法. 这些先进的工具对于流行病期间的临床决策和资源管理至关重要.
科学领域:
- 医疗信息学 医疗信息学
- 流行病学 流行病学
- 医疗保健中的机器学习
背景情况:
- 早期预测COVID-19的严重程度对于患者的治疗结果和资源分配 (例如,ICU床位,呼吸机) 至关重要.
- 许多统计工具用于预测疾病严重程度,但缺乏对其选择的实际指导.
- 随着COVID-19的蔓延,我们需要从未来医疗应用的预测模型开发中学习.
研究的目的:
- 引导临床医生选择最佳的COVID-19严重程度预测工具.
- 评估这些工具在资源管理中的作用.
- 确定在类似的医疗场景中开发预测模型的经验教训.
主要方法:
- 对住院COVID-19患者的预测工具进行了全面的系统审查.
- 数据来源包括MEDLINE,Embase,Cochrane图书馆,Cochrane COVID-19研究注册表和Scopus (2020年1月至2023年4月).这些数据来源包括在内.
- 超回归模型比较了线性,机器学习和深度学习方法; MetaForest确定了混因素; PROBAST评估了偏差风险.
主要成果:
- 该审查分析了290项研究中的280万名患者对严重性预测工具的430项独立评估.
- 基于神经网络的工具展示了最高的性能 (AUC 0.893),利用临床,实验室和成像数据.
- 性能混因素包括患者地理区域,严重病例率和C-反应蛋白的使用;88%的研究具有高偏差风险.
结论:
- 机器学习工具,特别是神经网络,显著优于其他用于预测COVID-19严重性的方法.
- 这些模型即使患者组相似或特定生物标志物不可用,也有效.
- 临床医生应该优先考虑疾病特定的机器学习工具,而不是COVID-19严重程度评估的一般临床分数.
