用于COVID-19死亡风险动态建模的机器学习方法:一项英国生物样本库研究
机器学习
2021-04-20 v1 机器学习
摘要
COVID-19大流行迫切需要对高风险患者进行稳健、可扩展的监测工具以支持分层。本研究旨在利用英国生物样本库(UK Biobank)开发和验证预测模型,以估计确诊病例中的COVID-19死亡风险。在11,245名COVID-19检测呈阳性的参与者中,我们开发了一个数据驱动的随机森林分类模型,性能优异(AUC:0.91),使用基线特征、既往病症、症状和生命体征,使得该评分能随疾病恶化动态评估死亡风险。我们还确定了若干显著的COVID-19死亡新预测因子,其预测价值等同于或大于已确立的高风险合并症,例如详细的人体测量学指标以及既往急性肾衰竭、尿路感染和肺炎。模型设计与特征选择使其可在门诊环境中使用。可能的应用包括支持个体层面的风险画像,以及在大规模范围内(尤其在家庭医院环境中)监测COVID-19患者的疾病进展。
引用
@article{arxiv.2104.09226,
title = {Machine learning approach to dynamic risk modeling of mortality in COVID-19: a UK Biobank study},
author = {Mohammad A. Dabbah and Angus B. Reed and Adam T. C. Booth and Arrash Yassaee and Alex Despotovic and Benjamin Klasmer and Emily Binning and Mert Aral and David Plans and Alain B. Labrique and Diwakar Mohan},
journal= {arXiv preprint arXiv:2104.09226},
year = {2021}
}
备注
20 pages, 3 figures