[論文レビュー] predCOVID-19: A Systematic Study of Clinical Predictive Models for Coronavirus Disease 2019

Patrick Schwab, August DuMont Schütte+2 more|arXiv (Cornell University)|May 17, 2020

COVID-19 diagnosis using AI被引用数 12

ひとこと要約

本研究では、日常的臨床データを用いた機械学習モデルを開発し、SARS-CoV-2検査陽性、入院、集中治療室（ICU）入室を予測するものである。モデルは、検査前の陽性予測において感度75％、特異度49％を達成し、入院予測ではAUC 0.92、重症ケア要請予測ではAUC 0.98を示した。臨床的トリアージおよびリソース配分の分野において、強力な潜在的価値を示している。

ABSTRACT

Coronavirus Disease 2019 (COVID-19) is a rapidly emerging respiratory disease caused by the severe acute respiratory syndrome coronavirus 2 (SARS-CoV-2). Due to the rapid human-to-human transmission of SARS-CoV-2, many healthcare systems are at risk of exceeding their healthcare capacities, in particular in terms of SARS-CoV-2 tests, hospital and intensive care unit (ICU) beds and mechanical ventilators. Predictive algorithms could potentially ease the strain on healthcare systems by identifying those who are most likely to receive a positive SARS-CoV-2 test, be hospitalised or admitted to the ICU. Here, we study clinical predictive models that estimate, using machine learning and based on routinely collected clinical data, which patients are likely to receive a positive SARS-CoV-2 test, require hospitalisation or intensive care. To evaluate the predictive performance of our models, we perform a retrospective evaluation on clinical and blood analysis data from a cohort of 5644 patients. Our experimental results indicate that our predictive models identify (i) patients that test positive for SARS-CoV-2 a priori at a sensitivity of 75% (95% CI: 67%, 81%) and a specificity of 49% (95% CI: 46%, 51%), (ii) SARS-CoV-2 positive patients that require hospitalisation with 0.92 AUC (95% CI: 0.81, 0.98), and (iii) SARS-CoV-2 positive patients that require critical care with 0.98 AUC (95% CI: 0.95, 1.00). In addition, we determine which clinical features are predictive to what degree for each of the aforementioned clinical tasks. Our results indicate that predictive models trained on routinely collected clinical data could be used to predict clinical pathways for COVID-19, and therefore help inform care and prioritise resources.

研究の動機と目的

• 日常的臨床データを用いた機械学習モデルを開発し、SARS-CoV-2検査結果、入院、ICU入室を予測すること。
• 5,644例の実臨床コhortにおいて、これらのモデルの予測性能を評価すること。
• 臨床意思決定を支援するため、各臨床的アウトカムにおける予測能が最も高い臨床的特徴を同定すること。
• 高リスク患者の早期同定を可能にすることで、保健医療システムのリソース計画を支援すること。

提案手法

• SARS-CoV-2感染が疑われるもしくは確認された5,644例の患者から得られた、臨床的および血液検査データの縦断的分析。
• 生命徴、検査結果、合併症などの日常的収集臨床変数を用いた機械学習アルゴリズムの適用。
• 受信者操作特性（ROC）曲線分析を用いてモデルの性能を評価し、95％信頼区間を伴う曲線下面積（AUC）を報告。
• 個々の臨床変数がモデル予測に与える寄与度を特定するための特徴量重要度分析。
• モデルの頑健性と一般化能を確保するため、層別交差検証を用いたモデルの訓練と評価。
• 検査前の陽性、入院、ICU入室という3つの臨床的アウトカムの別々のモデリング。

実験結果

リサーチクエスチョン

• RQ1 日常的収集された臨床データは、検査前にSARS-CoV-2陽性を示す患者を予測できるか？
• RQ2 SARS-CoV-2診断後に入院を要する患者を特定するための機械学習モデルの予測性能はいかほどか？
• RQ3 SARS-CoV-2陽性患者のうち、ICU入室を要する患者をどの程度正確に予測できるか？
• RQ4 3つの臨床的アウトカムそれぞれについて、最も予測能が高い臨床的特徴は何か？

主な発見

• 検査前のSARS-CoV-2陽性予測において、モデルは感度75％（95％CI：67％、81％）および特異度49％（95％CI：46％、51％）を達成した。
• SARS-CoV-2陽性患者の入院予測において、モデルはAUC 0.92（95％CI：0.81、0.98）を達成した。
• SARS-CoV-2陽性患者のICU入室予測において、モデルはAUC 0.98（95％CI：0.95、1.00）を達成した。
• 本研究では、各アウトカムに対して高い予測能を持つ特定の臨床的特徴を同定し、標的臨床トリアージを可能にした。
• 結果から、日常的臨床データを用いて訓練された機械学習モデルは、COVID-19患者の臨床経路を効果的に予測できることを示した。
• 高いAUC値は、特に重症ケア予測において優れた区別能力を示しており、リソース優先配分のための臨床的導入を支援する。