COVID-19 临床预测模型：系统性研究
机器学习
2020-12-01 v2 机器学习
摘要
2019 冠状病毒病（COVID-19）是一种由严重急性呼吸综合征冠状病毒 2（SARS-CoV-2）引起的快速出现的呼吸道疾病。由于 SARS-CoV-2 快速的人传人传播，许多医疗系统面临超出其医疗容量的风险，特别是在 SARS-CoV-2 检测、医院与重症监护病房（ICU）床位及机械呼吸机方面。预测算法可通过识别最有可能获得 SARS-CoV-2 阳性检测、住院或入住 ICU 的人群，潜在地缓解医疗系统的压力。在此，我们研究基于常规收集的临床数据、利用机器学习估算哪些患者可能获得 SARS-CoV-2 阳性检测、需要住院或重症监护的临床预测模型。为评估我们模型的预测性能，我们对来自 5644 名患者队列的临床与血液分析数据进行了回顾性评估。我们的实验结果表明，我们的预测模型可识别（i）先验 SARS-CoV-2 检测阳性的患者，灵敏度为 75%（95% CI：67%，81%），特异度为 49%（95% CI：46%，51%）；（ii）需要住院的 SARS-CoV-2 阳性患者，AUC 为 0.92（95% CI：0.81，0.98）；（iii）需要重症监护的 SARS-CoV-2 阳性患者，AUC 为 0.98（95% CI：0.95，1.00）。此外，我们确定了哪些临床特征对上述各项临床任务的预测程度如何。我们的结果表明，基于常规收集临床数据训练的预测模型可用于预测 COVID-19 的临床路径，从而有助于指导诊疗并优先配置资源。
引用
@article{arxiv.2005.08302,
title = {Clinical Predictive Models for COVID-19: Systematic Study},
author = {Patrick Schwab and August DuMont Schütte and Benedikt Dietz and Stefan Bauer},
journal= {arXiv preprint arXiv:2005.08302},
year = {2020}
}