点击上方蓝色字，关注我们
《健康数据科学（英文）》（Health Data Science）6月16日刊出“基于大规模患者血液检测结果的机器学习模型揭示出新冠疾病演变特征”的研究文章。编辑部邀请到该研究的作者，杨鹤教授与王飞教授为读者带来研究解读。
新冠核酸检测的结果需要较长时间才能获得。本研究尝试使用常规血液检测结果预测新冠感染，可以更快地隔离可能感染的患者，降低医护人员或者其他患者的感染风险，优化医院资源配置。
基于纽约疫情爆发期大规模患者临床检测数据，我们使用机器学习建模的方法，从数百个指标中最终筛选出包含淋巴细胞计数、单核细胞计数、红细胞计数、血红蛋白、球蛋白、血钙等在内的21项常规血液学检测结果。
这些常规血液学检测包含淋巴细胞计数、单核细胞计数、红细胞计数、血红蛋白、球蛋白、血钙等在内的21项常规血液学检测结果，尽管这些检查作为单一指标时并未发现与SARS-CoV-2感染有特异性相关，但将它们结合在一起，却展现出了对SARS-CoV-2的特异性识别。
此次发表的研究显示，在3、4月纽约新冠疫情最严重的时候，研究中约有一半的患者显现出了上述新冠特异的实验室检测结果（21个检测的综合结果）。这些患者的住院率、入住ICU的比例和接受插管的概率都较高。也就是说，显示出新冠特有的血液检测指标的患者，病情通常也更重一些。到了4，5月，新冠疫情开始减弱，染病人数在大幅下降，出现新冠特异实验室检测结果的患者比例也急剧降低。越来越多患者的血液检测指标不再对新冠病情表现出特异性。这一变化，特异性地隐射了新冠病情的变化。
尽管这个方法还没有在临床中使用，目前还仅限于研究中，但其有潜力可用于临床，作为辅助诊断支持的方法，使得辅助诊断更加精确。
编辑点评：这是一篇非常有趣的研究。研究者将机器学习的方案应用于临床检测领域，通过对大数据的分析发现在人群中与疫情波动相关的血液学检测指标的组合。这种既往传统医学研究方法很难发现的规律，佐证了数据科学在医学领域应用的潜力。未来我们也希望看到更多机器学习的发现在医疗实践的场景中证实其有效性。
相关链接：
https://vivo.weill.cornell.edu/display/cwid-hey9012
https://vivo.weill.cornell.edu/display/cwid-zhz9010https://wcm-wanglab.github.io/index.html
Health Data Science已全面开放投稿，2024年前免收取文章处理费, 欢迎踊跃投稿。
