利用机器学习技术识别COVID-19患者ICU预后预测因素

利用机器学习技术识别COVID-19患者ICU预后预测因素

2020年，COVID-19大流行影响了全球，导致ICU入院人数激增。虽然已经发表了几份关于大流行期间ICU经验的报告，但报告的病例数和结果有很大的差异，而且很少有人去确定预测发病率、死亡率和整体临床结果的风险因素。为了弥补这一点，该研究采用机器学习方法，调查ML是否能够为ICU结果的预测提供可解释的见解。同时评估在预测COVID-19  ICU患者结果时所纳入临床因素的重要性。

这项研究是一项在德国27家医院进行的多中心研究。研究包括在2020年1月1日至2021年5月4日期间需要入住ICU的成年COVID-19患者。所有患者均通过了SARS-CoV-2 PCR检测，确认为COVID-19阳性，最终共有1186名患者入选。该研究收集了49个变量的数据，包括人口统计学数据、过去的病史、以前的药物、目前的疾病数据、实验室值等信息。模型使用80%的数据进行训练，20%的数据进行测试，并训练过程中使用进行五倍交叉验证。

在整个模型开发过程中，使用SVC、RF和可解释促进机（EBM，explainable boosting machines model）训练机器学习模型。EBM是建立在广义加法模型之上的一种机器学习算法，能够很容易地解释变量对预测的影响，并且考虑到了变量和结果预测之间的复杂关系 。此外，还使用超参数优化对机器学习模型进行了优化，并以平均准确率和精确-召回曲线下面积（PR-AUC，the area under precision-recall curve）来评估模型性能。

表1给出了不同机器学习模型的总体性能，可以看出与其他模型相比，EBM模型能够提供准确和可解释的预测，这有助于临床医生更好地了解可能影响 COVID-19 患者在重症监护病房预后的因素。从图1还可以看出前十个最重要的预测变量是年龄、血小板/中性粒细胞比、d -二聚体等，说明年龄、炎症和血栓活动等为预测ICU生存的最重要预测因素。

本项研究确定了可以结合起来预测COVID-19患者生存情况的风险因素，并对这些因素按重要性进行了排序，这将辅助临床医生在病人接受治疗之前，对病人的治疗结果进行预测。