新的机器学习工具可以帮助预测病人COVID-19风险最大的
研究人员创建了一个机器学习工具,可以帮助确定病人最有可能发展COVID-19在医院。
的工具,它是一种人工智能(AI),能够预测高危患者发展COVID-19研究准确率达到了87%。这项技术已经由伦敦帝国理工学院的研究人员和感染预防和控制(IPC)帝国学院医疗NHS信托单位。
研究人员开发了使用常规的医院和病人数据的工具。他们训练来识别与COVID-19感染相关危险因素如年龄、性别、联系与其他传染性病人,床所在地)以及移动医院的病人。
预测哪些病人医院感染的风险在可以帮助预防向前传播到其他病人和医护人员。
测试工具是使用数据从住院病人承认帝国理工学院医疗医院前两波COVID-19感染和验证使用数据从日内瓦大学医院。该研究发表在《柳叶刀》杂志上的数字医疗首先使用病人的联系信息,准确地预测发展中COVID-19医院的风险。
帝国理工学院医疗的临床研究使用的数据分析、研究和评估(iCARE)环境中,它提供了访问定期收集,匿名研究医疗数据直接病人受益。
监测工具
团队认为这个工具可以应用到其他感染,一些患者可以在医院的风险同时,如(C固执的)——一种梭状芽胞杆菌的细菌可引起腹泻。
该研究的第一作者Ashleigh我皆来自伦敦帝国学院数学系,说“整个COVID-19流行一些病人感染住院期间开发的。有一个需要开发预测模型识别患者感染风险最大的COVID-19和干预,以减轻病人的结果。我们可以这样做除了常见的措施,从而减少疫情和进一步的传播。”
“我们已经设计了一个机器学习框架,可以识别患者感染风险最大的COVID-19准确率高达87%。这个框架可以作为一系列监测工具的一部分,加强感染,预防和控制策略,特别是在冬季当COVID-19更容易感染传播。”
”这项研究确实有其局限性的训练和测试期间发生在英国的疫苗接种推出之前,所以它没有考虑个人的免疫接种状况决定的风险。然而,我们的模型是高度预测,可用于其他传染性病毒。”
Sid Mookerjee、该研究的作者之一和操作导致抗菌药物管理,监测和流行病学医疗NHS信托,帝国理工学院说,“COVID-19大流行已经激励研究者和临床医生投入时间、资金和精力应对当前和未来的大流行。”
“准确预测病人的患感染的风险,如COVID-19 C固执的和其他传染病,是更受欢迎的临床解决方案。”
“通过这项工作我们一定程度上在展示一个新的高度预测的方法来确定病人的风险感染而住院治疗。这可以帮助医院管理者和临床医生设计安全有效的治疗途径和床管理,帮助提供世界一流保健。”
详细的研究
COVID-19感染的传播在医疗设置已经被很好地记录下来了。COVID-19感染入院后发展已报告占12 - 15 COVID-19病例的医疗设置和百分比高达16.2%的峰值大流行。
传统上,医护人员感染可以开发的预测依赖于识别危险因素如年龄、性别认同、并发症和患者的住院时间和病人接触,没有考虑位置或patient-flow通过医院。
尽管这些方法就可以执行合理确定预测危险因素hcai hcai他们忽略了事实的传播在很大程度上取决于患者的接触,可以有所不同。
团队希望看到一个机器学习工具是否能预测病人HOCI使用病人接触数据的风险。团队结合基于床病人接触数据分配从iCARE与临床和医院数据系统,NIHR帝国支持的BRC,变成一个预测框架来预测病人HOCIs的风险。
HOCIs被定义为感染患者积极SARS-CoV-2测试类型的冠状病毒导致COVID-19-three在入院或更多天。病人接触被定义为患者同时在同一天在同一个房间里,病房和建筑,无论COVID-19预防战略,如环境通风和PPE使用。
测试
工具不能占国家IPC标准的缓解效应等措施PPE使用,通风,手部卫生和清洁在发展中COVID-19降低病人的风险。之前的研究也进行了广泛的国家推出COVID-19疫苗接种,发展中COVID-19降低风险的一个重要因素。
框架是通过分析风险因素与COVID-19感染的病人和医院的数据,然后给出了一个预测风险评分在0和1之间。
模型进行了测试,使用的数据来自51157名患者医疗医院NHS信托在帝国理工学院前两个英国的COVID-19(2020年3月至5月,2020年9月到2021年4月)。共有3749名患者阳性COVID-19入学后三个或更多天医院在这段时间里,87%是准确预测的机器学习框架。
团队与对照组相比没有在COVID-19检测中呈阳性。然后验证框架通过它的数据从2021年外部数据集来自日内瓦大学医院。
研究人员将开展进一步的工作,对框架进行扩展,以包括COVID-19ο应变的传染病和了解框架可以集成到现有的IPC的指导方针。
