开发与验证用于COVID-19患者死亡预测的多模态模型：一项多中心回顾性研究
机器学习
2021-09-07 v1 计算机视觉与模式识别
图像与视频处理
摘要
COVID-19大流行带来的前所未有的全球危机引发了大量创建预测模型以检测和预后SARS-CoV-2感染的工作，旨在帮助卫生系统分配资源。特别是机器学习模型，因其能够利用患者临床信息和医学影像进行预测而具有前景。然而，迄今为止大多数已发表的COVID-19预测模型由于方法学缺陷和缺乏适当验证而几乎没有临床效用。在本文中，我们描述了使用多中心患者数据开发和验证用于COVID-19死亡预测的多模态模型的方法。用于COVID-19死亡预测的模型使用来自西班牙马德里的回顾性数据（N=2547）开发，并在美国新泽西州一家社区医院（N=242）和大韩民国首尔一家学术中心（N=336）的患者队列中进行了外部验证。我们开发的模型在不同的临床环境中表现不同，这凸显了在临床决策中使用机器学习时需要一种有指导的策略。我们证明，使用来自结构化电子健康记录和胸部X射线影像数据的特征在所有三个数据集中均获得了更好的30天死亡预测性能（受试者工作特征曲线下面积分别为：0.85（95%置信区间：0.83-0.87）、0.76（0.70-0.82）和0.95（0.92-0.98））。我们讨论了在模型开发每一步中所做决策的依据，并已向研究界公开了我们的代码。我们采用了用于临床模型开发的最佳机器学习实践。我们的目标是创建一个工具包，以协助研究者和机构构建用于预测、分类和/或优化的多模态模型。
引用
@article{arxiv.2109.02439,
title = {Developing and validating multi-modal models for mortality prediction in COVID-19 patients: a multi-center retrospective study},
author = {Joy Tzung-yu Wu and Miguel Ángel Armengol de la Hoz and Po-Chih Kuo and Joseph Alexander Paguio and Jasper Seth Yao and Edward Christopher Dee and Wesley Yeung and Jerry Jurado and Achintya Moulick and Carmelo Milazzo and Paloma Peinado and Paula Villares and Antonio Cubillo and José Felipe Varona and Hyung-Chul Lee and Alberto Estirado and José Maria Castellano and Leo Anthony Celi},
journal= {arXiv preprint arXiv:2109.02439},
year = {2021}
}