JMIR: 机器学习预测COVID-19患者重症发生风险
来源：本站原创 2020-11-11 23:59
西奈山的研究人员已经开发出机器学习模型，该模型可以预测在临床相关的时间范围内COVID-19患者发生严重事件和死亡的可能性。这项研究描述的新模型是第一个将机器学习用于大量不同人群中的COVID-19患者的风险预测的模型，并于11月6日发表在《Journal of Medical Internet Research》杂志上。该模型可以帮助西奈山的临床医生以及在
2020年11月11日讯/生物谷BIOON/---西奈山的研究人员已经开发出机器学习模型，该模型可以预测在临床相关的时间范围内COVID-19患者发生严重事件和死亡的可能性。这项研究描述的新模型是第一个将机器学习用于大量不同人群中的COVID-19患者的风险预测的模型，并于11月6日发表在《Journal of Medical Internet Research》杂志上。该模型可以帮助西奈山的临床医生以及在全球范围内对COVID-19患者的护理和管理。
“从最初在纽约市爆发COVID-19以来，我们发现COVID-19的呈现方式和疾病过程是异质化的，我们已经使用患者数据构建了机器学习模型来预测结果，” 该研究的主要研究者之一，西奈山伊坎医学院遗传与基因组科学助理教授Benjamin Glicksberg博士说道： “现在，在第二波疫情的早期阶段，我们已经比以前有了更好的准备。我们目前正在评估这些模型如何帮助临床医生在实践中管理患者的护理。”
在3月至5月使用西奈山卫生系统五家医院收治的4,000多名成年患者的电子健康记录进行的回顾性研究中，来自MSCIC的研究人员和临床医生分析了COVID-19患者的特征，包括既往病史，合并症，生命体征以及入院时的实验室测试结果，以预测关键事件，例如在各种临床相关时间窗内的插管和死亡率，这些事件可以预测患者住院期间的短期和中期风险。
研究人员使用这些模型预测入院后3、5、7和10天的时间窗内的关键事件或死亡率。在一周的时间里，总体表现最佳，正确地标记了最关键的事件，同时返回了最少的假阳性结果，急性肾损伤，呼吸急促，高血糖和乳酸脱氢酶（LDH）升高是表明组织损伤或疾病的原因。预测重大疾病的最强驱动力。年龄较大，血液水平失衡以及表明炎症的C反应蛋白水平是预测死亡率的最强因素。
“我们通过机器学习创建了高性能的预测模型，以改善西奈山对我们患者的护理。更重要的是，我们创建了一种方法，该方法可以识别重要的健康标志物，从而推动对急性护理预后的可能性评估，并且可以被全世界的卫生机构用来改善医师和医院一级的护理决策，并更有效地管理患者。”（生物谷 Bioon.com）
资讯出处：Developing machine learning models to predict critical illness and mortality in COVID-19 patients
原始出处：Akhil Vaid et al. Machine Learning to Predict Mortality and Critical Events in a Cohort of Patients With COVID-19 in New York City: Model Development and Validation, Journal of Medical Internet Research (2020). DOI: 10.2196/24018
(图片来源：Www.pixabay.com)
在3月至5月使用西奈山卫生系统五家医院收治的4,000多名成年患者的电子健康记录进行的回顾性研究中，来自MSCIC的研究人员和临床医生分析了COVID-19患者的特征，包括既往病史，合并症，生命体征以及入院时的实验室测试结果，以预测关键事件，例如在各种临床相关时间窗内的插管和死亡率，这些事件可以预测患者住院期间的短期和中期风险。
研究人员使用这些模型预测入院后3、5、7和10天的时间窗内的关键事件或死亡率。在一周的时间里，总体表现最佳，正确地标记了最关键的事件，同时返回了最少的假阳性结果，急性肾损伤，呼吸急促，高血糖和乳酸脱氢酶（LDH）升高是表明组织损伤或疾病的原因。预测重大疾病的最强驱动力。年龄较大，血液水平失衡以及表明炎症的C反应蛋白水平是预测死亡率的最强因素。
“我们通过机器学习创建了高性能的预测模型，以改善西奈山对我们患者的护理。更重要的是，我们创建了一种方法，该方法可以识别重要的健康标志物，从而推动对急性护理预后的可能性评估，并且可以被全世界的卫生机构用来改善医师和医院一级的护理决策，并更有效地管理患者。”（生物谷 Bioon.com）
资讯出处：Developing machine learning models to predict critical illness and mortality in COVID-19 patients
原始出处：Akhil Vaid et al. Machine Learning to Predict Mortality and Critical Events in a Cohort of Patients With COVID-19 in New York City: Model Development and Validation, Journal of Medical Internet Research (2020). DOI: 10.2196/24018
版权声明 本网站所有注明“来源：生物谷”或“来源：bioon”的文字、图片和音视频资料，版权均属于生物谷网站所有。非经授权，任何媒体、网站或个人不得转载，否则将追究法律责任。取得书面授权转载时，须注明“来源：生物谷”。其它来源的文章系转载文章，本网所有转载文章系出于传递更多信息之目的，转载内容不代表本站立场。不希望被转载的媒体或个人可与我们联系，我们将立即进行删除处理。
87%用户都在用生物谷APP 随时阅读、评论、分享交流 请扫描二维码下载->
