住院COVID-19患者的风险分层肝损伤现实世界数据驱动的早期预警系统-用于临床决策支持的机器学习模型
Yuanguo Xiong1, Xu Cai1, Xin Lai2
1Department of Pharmacy, Renmin Hospital of Wuhan University, Wuhan, China.
Frontiers in public health
|September 19, 2025
概括
这项研究开发了一种使用机器学习预测住院COVID-19患者肝损伤的早期预警系统. 该系统识别高风险个体,帮助及时干预和个性化监测,以获得更好的结果.
科学领域:
- 医疗信息学 医疗信息学
- 医疗保健中的机器学习
- 肝病学 肝病学是一种肝病学.
背景情况:
- 患有2019年新冠病毒病 (COVID-19) 的住院患者有肝损伤的风险.
- 早期检测和风险分层对于管理COVID-19相关的肝功能障碍至关重要.
- 现有的预测模型可能缺乏现实世界的证据整合和解释性.
研究的目的:
- 开发和验证一个现实世界的证据驱动的早期预警系统,用于COVID-19相关的肝损伤.
- 利用可解释的机器学习 (ML) 进行住院患者的风险分层预测.
- 为及时干预和优化肝脏保护策略提供临床可行的决策支持.
主要方法:
- 一个回顾性单中心队列研究,使用电子健康记录 (EHR) 对983名住院COVID-19患者进行了回顾性单中心队列研究.
- 应用合成少数群体过量采样技术 (SMOTE) 来解决类不平衡,随后对13个ML算法进行培训和基准测试.
- 使用准确度,精度,回忆,F1分数和AUC进行评估;SHapley添加式解释 (SHAP) 进行解释.
主要成果:
- 随机森林 (RF) 和额外树木 (ET) 模型的SMOTE编辑的最近邻居 (SMOTE-ENN) 策略实现了卓越的预测性能 (RF的AUC为0.998 ± 0.002和ET的0.997 ± 0.002).
- SHAP分析确定了谷氨和肝酶 (GGT,ALT) 作为关键预测因子.
- 开发了在线预测平台,用于低风险和高风险的肝损伤分层.
结论:
- 成功建立了一个基于机器学习的早期预警系统,用于COVID-19相关的肝损伤.
- 整体RF/ET模型为决策支持提供了显著的临床实用性,识别高风险患者进行密集监测.
- 该系统通过强调药物诱导的损伤标志物和疾病进展来个性化监测,有可能改变临床管理.
