住院患者中28天COVID-19严重程度和死亡率的基线预测因素:来自IMPACC研究的结果

科学领域:

• 传染性疾病 传染性疾病
• 生物标志物 生物标志物
• 机器学习 机器学习

背景情况:

• 全球范围内,COVID-19的流行病压倒了医疗保健系统.
• 对COVID-19严重程度和死亡率的预测模型对于资源分配和患者管理至关重要.

研究的目的:

• 确定基线临床和实验室生物标志物来预测COVID-19的严重程度和死亡率.
• 为这些预测开发和验证机器学习模型.

主要方法:

• 分析了1102名住院COVID-19患者的数据.
• 使用拉索和前向选择用于预测器识别.
• 使用平衡的培训和测试数据开发和验证预测模型.

主要成果:

• SpO2 / FiO2比率是最强的预测严重程度 (AUC: 0.874) 和死亡率 (AUC: 0.83).
• 添加诸如年龄,BMI,FGF23,IL-6,LTA,TNFRSF11B和Ribitol等生物标志物可以提高预测的准确性.
• 开发的模型在某些患者群体中表现优于顺序器官衰竭评估 (SOFA) 评分.

结论:

• 机器学习模型有效地识别了COVID-19结果的关键预测因素.
• SpO2 / FiO2比率是COVID-19预后的关键,易于获得的生物标志物.
• 已识别的生物标志物有可能在住院COVID-19患者中完善风险分层.