研究模型COVID-19疾病进展和识别风险因素

劳伦斯利弗莫尔国家实验室(LLNL)团队已经开发出一种综合动态模型COVID-19住院患者疾病进展,发现这种疾病并发症的危险因素都依赖于患者的疾病状态。

使用机器学习算法的数据集电子健康记录(EHRs)超过1300患者住院COVID-19 ProMedica-the最大的卫生保健系统在俄亥俄州西北部和东南部团队密西根的患者分为“温和”或“严重”状态和轨迹跟踪疾病患者住院期间通过不同的风险状态。

疾病严重性以会计相比以前的科学文献只研究静态风险因素——允许团队识别方法,随着疾病的进展,当某些变量如年龄和种族,和并发症,包括糖尿病和高血压,导致更严重的后果。

模型允许团队,其中包括托莱多大学的合作者,首次证明,一些因素之间的联系和更多的不良结果COVID-19可以依赖病人的“当前”条件。最重要,而男性患者比女性患者更容易被发现有严重并发症或死于COVID-19,当从“严重”疾病状态时,女性比男性更有可能死于这种疾病。结果被发表在2月7日美国医学协会杂志》上。

“众所周知社区中,男性比女性风险更高,最终死于COVID,但是某些违反直觉的行为一旦出现疾病病人轨迹分解成州,“LLNL Priyadip首席研究员雷说。“从温和的疾病状态,男人更容易过渡到一个更严重的疾病状态。然而,如果你在严重疾病状态,令人惊讶的是,女性比男性更有可能死亡。这种疾病状态的角度来看并没有被证实,表明你在哪里在你的疾病也决定了你的危险因素。”

通过建模的整个轨迹COVID-19住院病人,球队显示“统计上显著差异”疾病进展的相对风险,他们认为应该考虑在执行风险评估患者在医院。

“绝大多数研究COVID-19风险因素忽略疾病的时间进展在他们的分析,“说LLNL合著者布莱登酣睡。“我们的研究提供了一个独特的modeling-based方法来了解病人的人口统计和医学并存病可以存在不同的风险概况根据潜在疾病状态。这些信息可能是更可行的整个护理过程中,可能导致更好的病人结果。”

依赖政府迷睡补充说,疾病风险评估也可以适用于许多其他急性和慢性疾病COVID-19之外,迄今为止,公司主要是评估只有静态数据和建模技术。

由于电子医疗纪录通常受到不规则和/或采样缺失的数据,研究小组使用了统计模型称为covariate-dependent,连续隐马尔科夫模型(HMM),处理好这些数据。

模型显示,在男性,黑色或身体疾病都伴随着从中度到重度疾病进展风险增加,同样的因素导致的风险下降从一场严重的状态过渡到死亡。研究人员认为违反直觉的结果对现有流行的静态模型对风险分层。

“定时(静态)模型容易不朽的时间偏差,后续的时期可能错误地分配给特定的疾病状态,”雷说。“嗯不被这些偏见,因为它可以推断出整个病人疾病状态轨迹。”

其他发现:身体质量指数(BMI)本身不是疾病进展的风险增加有关,而与年龄有关的风险增加发展从中度到重度的和严重的死亡状态,研究人员报道。

团队验证推断潜在的疾病与国立Health-established指南和史诗恶化指标度量风险。

测试一个预算

LLNL /托莱多大学/ ProMedica团队的工作动态模型是研究小组发表在早期论文科学报告,他们检查静态风险因素的患者继续为COVID-19开发检测呈阳性后严重的并发症。

该团队使用一个可解释性工具来找出哪些实验室测试最预测住院或糟糕的结果,确定哪些测试应该收集在预算限制的情况下,能给临床医生几乎相同的预测不良结果收集所有可能的数据。

“我们试图以不同的方式看这个问题,”雷说。“我们问,‘如果你有预算限制吗?的生物标志物可以收集,会给你一个好迹象的可能性有多大,这个病人需要通风或死亡的可能性由于疾病吗?”

“有趣的是,到一定程度,收集更多的实验室不一定会给更好的预测性能。你可以选择一个小的实验室和标记表明风险?”Ray continued. "The answer we found was yes."

做出决定,团队创建了一个成本结构,分组类型的实验室测试和生物标志物与成本有关,从免费信息(人口和并发症)和低成本的测试如血压和脉搏血氧仪,更昂贵的实验室成果的肝功能和炎症。

的团队然后用机器学习方法适合医疗数据集与缺失和/或倾斜的数据找到病人的特性和风险之间的相关性的死亡或通风COVID-19并确定最有预测力的特性集。使用的方法,他们发现可以实现降低实验成本只有43%减少3%性能预测可能需要通风的疾病。

“我们发现,可以实现显著减少成本的预测性能,减少小”合著者萨姆Nguyen说,领导LLNL的数据提取和建模工作。“在应对大流行,如果他们受限于一个测试(命脉、实验室等)的资源,一个可以做的很好COVID-19风险预测与数量有限的输入,如果一个人知道最有效率的测试来执行。”

结果可能是有用的在特定的实验室工作不可用或非常便宜的特别重要COVID-19大流行期间,许多患者和临床医生需要迅速作出决定,研究人员说。