血细胞计数数据作为 COVID-19 管理决策工具：在资源稀缺情景中的应用
其他定量生物学
2020-05-21 v1 机器学习
摘要
COVID-19大流行对全球应急反应系统提出挑战，各地广泛报告基本服务中断与医疗体系崩溃。关键要素涉及必要劳动力管理，因现行方案建议有症状者（包括必要人员）离岗。检测能力在多个国家亦成问题，诊断需求超出本地可用检测能力。本工作描述了由有症状患者血细胞计数（hemogram）检查数据衍生的机器学习模型，及其如何用于预测qRT-PCR检测结果。方法：提出一种朴素贝叶斯机器学习模型以应对不同稀缺情景，包括管理有症状必要劳动力与缺乏诊断检测。利用血细胞计数结果数据预测未行qRT-PCR或结果未出时的qRT-PCR结果。通过调整假定先验概率，可根据实际预测情境精细调节模型。所提模型能以高准确度、灵敏度与特异度预测有症状个体的COVID-19 qRT-PCR结果。数据评估可按个体或批量进行，依期望结果而定。基于血细胞计数数据与背景稀缺情境，相较随机选取，采用基于模型的患者筛选可显著优化资源分配。该模型可助力应对检测不足及其他危急状况。机器学习模型可由广泛可得、快速且廉价的检查数据衍生，以预测COVID-19诊断所用的qRT-PCR结果。这些模型可用于协助资源稀缺情景中的战略决策，包括人员短缺、医疗资源匮乏与检测不足。
引用
@article{arxiv.2005.10227,
title = {Hemogram Data as a Tool for Decision-making in COVID-19 Management: Applications to Resource Scarcity Scenarios},
author = {Eduardo Avila and Marcio Dorn and Clarice Sampaio Alho and Alessandro Kahmann},
journal= {arXiv preprint arXiv:2005.10227},
year = {2020}
}
备注
14 pages, 5 figures, 2 tables, Tool Available at: http://sbcb.inf.ufrgs.br/covid