北美首頁 | 新聞 | 時尚 | 大陸 | 臺灣 | 美國 | 娛樂 | 體育 | 財經 | 圖片 | 移民 | 微博 | 健康

武漢團隊找到3個新冠死亡標誌物 建立預測模型準確率超九成

http://dailynews.sina.com   2020年05月16日 01:12   澎湃新聞

  原標題:武漢團隊找到3個新冠死亡標誌物,建立預測模型準確率超九成

  快速準確的病情評估對治療新冠肺炎患者極爲重要。當地時間5月14日,華中科技大學同濟醫學院附屬同濟醫院等機構在學術期刊《自然-機器智能》發文表示,利用3個生物標誌物,機器學習算法可以至少提前10天預測新冠肺炎患者個體的死亡率,準確率超過90%。這3個生物標誌物分別是乳酸脫氫酶、淋巴細胞和超敏C反應蛋白水平。

  結合這些標誌物,論文提出了一個簡單且易操作的決策規則,可以快速預測風險最高的新冠肺炎患者,使他們能夠被優先考慮,並有可能降低死亡率。

  上述論文題爲“An interpretable mortality prediction model for COVID-19 patients”,第一作者爲華中科技大學同濟醫學院附屬同濟醫院急診科副主任醫師嚴麗。華中科技大學同濟醫學院附屬同濟醫院急診與重症醫學科主任李樹生、華中科技大學同濟醫學院附屬同濟醫院麻醉科徐慧和華中科技大學人工智能與自動化學院教授袁燁共爲論文通訊作者。

 基於3個生物標誌物及其絕對閾值的決策規則 基於3個生物標誌物及其絕對閾值的決策規則

  嚴麗等人收集了中國武漢485名新冠肺炎患者的血液標本,從中尋找可靠且有意義的死亡風險標誌物。這些樣本的採集時間爲2020年1月10日至2020年2月18日,採集地點在華中科技大學同濟醫學院附屬同濟醫院。

病例分類病例分類

  樣本被分成兩個部分,其中375例用於建模,另外110例用於模型測試。用於建模的375例病例,有201例在康復後出院,其餘174例死亡。 用於測試的110例病例中,97例存活,13例死亡。

機器學習模型在測試數據集中的性能表現機器學習模型在測試數據集中的性能表現

  作者根據機器學習算法設計了一套數學建模方法,用於識別最能預測患者死亡率的生物標誌物。作者在算法中將問題變成一個分類任務,輸入數據包括基本信息、症狀、血液標本,以及普通、重症、危重症患者的實驗室檢查結果,如肝功能、腎功能、凝血功能、電解質和炎症因子。

  最終,該模型將乳酸脫氫酶、淋巴細胞、超敏C 反應蛋白水平選爲識別新冠肺炎病危患者的3個關鍵生物標誌物。作者認爲,這一結果與當前的醫學知識相符。

  作者在論文中分析稱,乳酸脫氫酶水平較高本身與不同疾病出現的組織損傷有關,包括肺炎等肺部疾病。對於新冠肺炎危重患者,乳酸脫氫酶水平的升高表明肺損傷的程度增加。超敏C反應蛋白水平升高是急性呼吸窘迫綜合徵預後不良的重要標誌,反映了持續的炎症狀態。此外,論文表示,“我們的結果還表明淋巴細胞或能作爲一個潛在的治療靶標,這一假設得到了臨牀研究結果的支持。”論文寫道,淋巴細胞減少是新冠肺炎患者的共同特徵,可能是與疾病嚴重程度和致死率相關的關鍵因素。

  作者總結稱,他們的模型可以通過簡單直觀且易解讀的臨牀檢查來精準、快速地量化新冠患者的死亡風險。作者稱,模型所涉及的3個生物標誌物在任何一家醫院都可以很容易地收集到。“在擁擠的醫院和醫療資源短缺的情況下,這個簡單的模型可以幫助醫生快速確定患者的優先順序,特別是在醫療資源有限的疫情期間。”

Bookmark and Share
|
關閉