由人工智能衍生的CT生物标记得分,用于在多个波段和区域中使用机器学习进行强大的COVID-19死亡预测
Kristof De Smet1, Dieter De Smet2, Peter De Jaeger3
1Department of Radiology, AZ Delta General Hospital, Roeselare, Belgium.
Scientific reports
|August 7, 2025
概括
一个新的M3分数模型使用年龄,白细胞计数和AI肺部参与度来预测COVID-19死亡率. 这种简单的工具显示出临床应用在管理患者风险方面具有前景.
科学领域:
- 医疗信息学 医疗信息学
- 放射学 放射学是一门学科.
- 传染性疾病 传染性疾病
背景情况:
- 复杂的模型往往限制了预测COVID-19死亡率的临床应用.
- 需要简单,可解释的预测工具,使用常规可用的数据.
研究的目的:
- 开发一个简单的,可解释的模型来预测COVID-19在入院时的死亡率.
- 为临床使用提供统计学上可靠的框架,管理模型不确定性.
主要方法:
- 在COVID-19患者数据上使用机器学习开发和验证了M3分数模型.
- 纳入年龄,白细胞 (WBC) 计数,以及来自CT扫描的AI衍生的肺部总参与 (TOTAL_AI).
- 将诊断性能进行比较,并将概率分类为概率比率 (LR) 间隔.
主要成果:
- M3得分在培训中取得了强的表现 (AUC 0.903) 和在外部验证中取得了有用的表现 (AUC 0.826).
- 将概率分类为可操作的LR区间 (例如,不太可能的LR 0.13,可能的LR 8.19).
- 证明了潜在的概括性和时间/地理稳定性,预计有一些现实世界的变化.
结论:
- 温和的M3得分是预测医院内COVID-19死亡率的可解释工具.
- 与临床数据集成的基于AI的CT量化增强了预测能力.
- 在临床广泛采用之前,需要进一步广泛的国际验证.
