使用机器学习方法预测COVID-19癌症患者的死亡率

科学领域:

• 在瘤学瘤学.
• 传染性疾病 传染性疾病
• 计算生物学 计算生物学

背景情况:

• 患有COVID-19的癌症患者面临着较高的死亡风险.
• 准确预测死亡率对于资源分配和患者管理至关重要.

研究的目的:

• 开发和评估机器学习 (ML) 算法,用于预测COVID-19诊断的癌症患者的死亡率.
• 确定与该患者队列死亡率相关的关键临床和实验室参数.

主要方法:

• 利用了306名患有COVID-19的癌症患者的人口,临床和实验室数据.
• 应用了七个ML算法,包括随机森林,通过合成少数超标采样技术进行数据平衡.
• 随机森林算法被选为表现最佳的模型.

主要成果:

• 随机森林模型实现了高性能指标:85.86%的准确度,86.37%的灵敏度,85.92%的特异性,85.83%的F1分数.
• 死亡的重要预测因素包括费里丁,D-二聚体,乳酸脱酶,淋巴细胞数量,C反应蛋白,中性粒细胞数量,乳酸,中性粒细胞与淋巴细胞的比率,呼吸短促,发烧和味觉/嗅觉丧失.
• 该研究分析了306名患者的数据,其中60人死亡.

结论:

• 机器学习模型,特别是随机森林,可以可靠地预测COVID-19癌症患者的死亡率.
• 确定关键的临床和实验室标志物有助于风险分层和临床决策支持.
• 这些发现可以为医疗保健专业人员开发决策支持工具提供信息.