基于MLHO的COVID-19不良结局个体化预测
机器学习
2021-04-28 v2 机器学习
定量方法
摘要
我们开发了MLHO（读作melo），一个端到端的机器学习框架，利用迭代特征与算法选择来预测健康结局（Health Outcomes）。MLHO通过迭代顺序表示挖掘以及特征与模型选择，预测患者层面的住院、ICU收治、机械通气需求及死亡风险。该预测基于患者既往医疗记录（COVID-19感染前）的数据。MLHO的架构支持并行且以结局为导向的模型校准，其中不同的统计学习算法与特征向量被同时测试，以改进健康结局的预测。利用来自超过13,000名COVID-19阳性患者的临床与人口学数据，我们利用约600个代表患者COVID前健康记录与人口学特征对四种不良结局建模。死亡预测的均值AUC ROC为0.91，而ICU、住院与通气的预测性能介于0.80与0.81之间。我们广泛描述了建模中所用特征簇及其对各结局预测的相对影响。结果表明，尽管人口学变量（即年龄）是COVID-19感染后不良结局的重要预测因子，但纳入既往临床记录对于可靠的预测模型至关重要。随着COVID-19大流行在全球蔓延，可适应且可解释的机器学习框架（如MLHO）对于提升我们应对潜在未来COVID-19浪潮以及其他可能涌现的新型传染病的能力至关重要。
引用
@article{arxiv.2008.03869,
title = {Individualized Prediction of COVID-19 Adverse outcomes with MLHO},
author = {Hossein Estiri and Zachary H. Strasser and Shawn N. Murphy},
journal= {arXiv preprint arXiv:2008.03869},
year = {2021}
}