通过机器学习和深度学习算法识别COVID-19后情况的风险因素

科学领域:

• 流行病学 流行病学
• 机器学习 机器学习
• 公共卫生 公共卫生

背景情况:

• 后COVID-19条件 (PCC) 影响全球数百万人,需要对其流行病学和风险因素进行研究.
• 了解PCC的现实驱动因素对于早期诊断和有效管理至关重要.

研究的目的:

• 量化评估新开发的PCC的进展情况.
• 在SARS-CoV-2感染后的各种时间点中,识别个人级别的新型PCC发展的风险因素.

主要方法:

• 将多个机器学习和深度学习模型应用于美国大型电子健康数据库 (2020-2022).
• 分析了最近COVID-19感染的患者,以评估PCC发展.
• 感染后60,74,90和120天评估的风险因素.

主要成果:

• 患有新型PCC的患者年龄较大,共患病率较高,更有可能吸烟或患肥胖,高脂血症或高血压.
• 机器学习模型始终将年龄,查尔森并发症评分和早期医疗保健利用确定为主要的风险因素.
• 散布的血管内凝血是心血管或二次PCC的重要预测因素.

结论:

• 机器学习模型有效预测新的PCC发生.
• 关键预测因素包括查尔森并发症得分,年龄和医疗保健使用频率.
• 这些模型对于个性化预测COVID-19后疾病的风险非常有用.