研究人员开发Covid-19死亡率预测模型

山山研究人员开发Covid-19死亡率预测模型
目前,在获得的ROC曲线以及它们的AUC曲线方面,括号中有95%CIS的评估结果,在此处显示了测试数据集1(A)和2(B)的评估结果。在测试数据集1(c)和2(d)上的3f和17f模型的校准曲线,所有曲线的斜率和截止,以及它们在括号中的95%cis。AUC = ROC曲线下的区域。ROC =接收器操作特性。信誉:西奈山伊坎医学院的遗传和基因组科学系

鉴于损失的是,Covid-19大流行是在全世界人们的健康和生活中,能够准确预测患者的结果至关重要,包括他们对疾病的死亡率的机会。迄今为止,使用最大的临床数据集和一个系统的机器学习框架,山山的研究团队确定了Covid-19死亡率的准确和解放的预测模型。

该模型仅基于三个常规收集的临床特征,即患者的年龄,在其医疗遭遇过程中的最低氧饱和度,以及患者遇到的类型(住院与门诊和远程医疗访问)。

该模型可以在患者的医院课程中定期评估额外的“重要标志”,可以集成到Covid-19患者的临床护理流程中。临床团队可以使用来自的结果模特整个Covid-19“医院课程以高死亡风险为单位的人,以便他们可以立即将治疗和注意力集中在这些个人身上以防止他们的死亡率。

使用最大的开发数据集(n = 3841)和系统的机器学习框架,我们开发了一个Covid-19死亡率预测模型,当应用于测试数据集时显示出高精度(AUC = 0·91)(n = 961)和前瞻性(n = 249)患者。该模型基于三个临床特征:患者年龄,在其医疗遭遇过程中的最低氧饱和度,以及患者遇到的类型(住院与门诊和远程医疗访问)。

“预测Covid-19患者的死亡率是非常困难的,妨碍疾病的预后和管理是非常困难的,”Gaurav Pandey博士博士博士和基因组科学博士说。“我们旨在发展准确的预测Covid-19使用无偏的计算方法,并识别最容易预测这一结果的临床特征。“

山山研究人员开发Covid-19死亡率预测模型
选择用于四种分类算法(a)使用递归特征消除方法识别的四个分类算法的前三个预测特征,用于选择最多的识别特征和培训相应的候选预测模型的100运行中的四个分类算法;括号中的值表示该功能被选中的次数作为排名在开发数据集中。最小氧饱和度(b)和年龄(c)特征被选择为所有四种算法的顶部预测特征,作为小提琴图,显示了开发数据集中的值的分布。在面板B和C中,中间的黑色盒子显示在Y轴上的值分布,白色点表示中值;在Y轴上的给定值处的灰色形状的宽度表示所示群体中该值的发生概率。面板B中的情节表明,死者组最低氧饱和度的中位数(79%)的信贷明显降低:西奈山的ICAHN医学院

进一步探索

遵循Coronavirus(Covid-19)爆发的最新消息

更多信息:Arjun S Yadaw等,Covid-19死亡率的临床特征:临床预测模型的开发和验证,柳叶刀数字健康(2020)。DOI:10.1016 / s2589-7500(20)30217-x
由...提供西奈山医院
引文:研究人员开发Covid-19死亡率预测模型(2020年9月23日)从//www.puressens.com/news/2020-09-covid-mortality.html检索到4月26日2021年4月26日
本文件受版权保护。除了私人学习或研究目的的任何公平交易外,没有书面许可,没有任何部分。内容仅供参考。
1分享

反馈到编辑

用户评论