在使用EHR和单细胞分析的COVID-19患者中,分析短期纵向严重性进展和相关基因

科学领域:

• 计算生物学是一种计算生物学.
• 传染病建模传染病建模
• 医疗保健中的人工智能

背景情况:

• 在流行病期间,及时分配医疗资源至关重要.
• 了解COVID-19的严重程度进展和相关的免疫学至关重要.
• 现有的模型可能无法捕捉患者严重程度的全部范围.

研究的目的:

• 开发和验证CovSF,这是一个用于跟踪和预测COVID-19患者严重性的深度学习模型.
• 利用纵向临床记录进行短期严重性预测.
• 在流行病期间为医疗资源分配和治疗策略提供信息.

主要方法:

• 使用COVID-19患者15个临床特征的CovSF模型开发.
• 在大型队列 (n=4,509) 上进行培训,并在外部数据集 (n=443) 上进行验证.
• 使用氧气治疗类型作为严重程度的预测标签,使得患者数据范围更广泛.

主要成果:

• 科夫SF实现了接收器运行特征曲线 (AUROC) 下的面积为0.92.
• 在外部验证集上,敏感性和特异性分别为0.85和0.89.
• 纵向分析显示,与严重程度相似的恶化和康复患者之间存在显著的免疫差异.

结论:

• CovSF有效地跟踪和预测短期COVID-19严重程度的进展.
• 该模型的方法允许在重症范围内的综合性患者数据利用.
• 该CovSF框架显示了扩展到其他呼吸道传染病的潜力,有助于疫情防控.