面向 COVID-19 药物治疗真实世界证据分析的机器学习
机器学习
2021-07-22 v1 应用统计
摘要
引言：临床实践生成的真实世界数据可用于分析 COVID-19 药物治疗的真实世界证据（RWE）并验证随机临床试验（RCTs）的结果。机器学习（ML）方法正被用于 RWE，并且是精准医学中有前景的工具。在本研究中，ML 方法被应用于研究西班牙瓦伦西亚地区 COVID-19 住院治疗中疗法的疗效。方法：分别使用来自 10 个卫生部门、日期介于 2020 年 1 月至 2021 年 1 月的 5244 例和 1312 例 COVID-19 住院病例，分别用于训练和验证瑞德西韦、皮质类固醇、托珠单抗、洛匹那韦-利托那韦、阿奇霉素和氯喹/羟氯喹的分离治疗效应模型（TE-ML）。来自另外 2 个卫生部门的 2390 例住院病例被保留为独立测试集，以使用 Cox 比例风险模型回顾性分析 TE-ML 模型所选定人群中的治疗生存获益。TE-ML 模型使用治疗倾向评分进行调整，以控制与结局相关的前治疗混杂变量，并进一步评估其无效性。ML 架构基于提升决策树。结果：在 TE-ML 模型识别出的人群中，仅瑞德西韦和托珠单抗与生存时间增加显著相关，风险比分别为 0.41（P = 0.04）和 0.21（P = 0.001）。未显示氯喹衍生物、洛匹那韦-利托那韦和阿奇霉素的生存获益。在患者层面探索了用于解释 TE-ML 模型预测的工具，作为个性化决策与精准医学的潜在工具。结论：ML 方法是面向 COVID-19 药物治疗 RWE 分析的合适工具。所获得的结果重现了已发表的 RWE 结果并验证了 RCTs 的结果。
引用
@article{arxiv.2107.10239,
title = {Machine Learning for Real-World Evidence Analysis of COVID-19 Pharmacotherapy},
author = {Aurelia Bustos and Patricio Mas_Serrano and Mari L. Boquera and Jose M. Salinas},
journal= {arXiv preprint arXiv:2107.10239},
year = {2021}
}
备注
22 pages, 7 tables, 11 figures