机器学习对后急性COVID症状的分析确定了不同的集群,严重程度组和轨迹

科学领域:

• 利用计算语言学和机器学习进行健康数据分析.
• 专注于SARS-CoV-2感染 (PASC) 或长期COVID的急性后续症状.
• 集成多队列患者报告的结果数据进行全面分析.

背景情况:

• 电子健康记录 (EHR) 经常掩盖了COVID-19分析的患者报告的症状数据.
• 了解长期COVID症状的异质性对于有效的患者分层至关重要.
• 患者问卷提供了一个有价值的,低成本的数据来源,用于疾病表型.

研究的目的:

• 利用问卷数据的机器学习来识别不同的长期COVID症状集群和内型.
• 根据症状概况和严重程度,制定一个基于长期COVID患者分层的框架.
• 研究长期COVID队列中的症状轨迹,严重程度相关性和恢复模式.

主要方法:

• 应用了主题建模和无监督集群,对四个队列的非识别患者问卷进行了分析.
• 将已识别的症状集群映射到器官系统,以定义内型.
• 进行了纵向分析,以确定症状轨迹和严重程度相关性.

主要成果:

• 确定了每个队列的9-12个内型,揭示了COVID-19后症状的显著异质性.
• 发现了三种不同的症状轨迹 (解决,持久,渐进) 和三种严重程度 (轻度,中度,严重).
• 发现患有非轻度急性COVID-19症状的人患中度/重度长期COVID的风险是2.6倍.

结论:

• 对问卷数据的机器学习分析可稳定地识别症状集群和内型.
• 这种方法为分层长期COVID患者提供了一个框架,用于精准医学和临床试验设计.
• 研究结果强调了患者报告的症状在理解长期COVID复杂性和指导治疗策略方面的重要性.