[论文解读] 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 12

一句话总结

本研究利用常规收集的临床数据开发机器学习模型，以预测SARS-CoV-2检测阳性、住院及重症监护病房（ICU）入住情况。模型在预测检测前阳性结果时达到75%的敏感度和49%的特异度，住院预测的曲线下面积（AUC）为0.92，重症监护需求预测的AUC为0.98，显示出在临床分诊和资源分配方面具有强大潜力。

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.

研究动机与目标

• 开发基于常规收集的临床数据预测SARS-CoV-2检测结果、住院及ICU入住情况的机器学习模型。
• 在5,644名患者的现实世界队列中评估这些模型的预测性能。
• 识别每项临床结局中最具预测力的临床特征，以支持临床决策。
• 通过早期识别高风险患者，支持医疗系统资源规划。

提出的方法

• 对5,644名疑似或确诊SARS-CoV-2感染患者的临床及血液检查数据进行回顾性分析。
• 应用机器学习算法，基于常规收集的临床变量（如生命体征、实验室检查结果及共病）进行训练。
• 采用受试者工作特征（ROC）曲线分析评估模型性能，报告曲线下面积（AUC）及其95%置信区间。
• 通过特征重要性分析确定各临床变量对模型预测的贡献程度。
• 采用分层交叉验证进行模型训练与评估，以确保模型的稳健性与泛化能力。
• 针对三种临床结局分别建立模型：检测前阳性预测、住院预测及ICU入住预测。

实验结果

研究问题

• RQ1 常规收集的临床数据能否在检测前预测患者SARS-CoV-2检测结果为阳性？
• RQ2 机器学习模型在识别SARS-CoV-2确诊后需要住院的患者方面，其预测性能如何？
• RQ3 模型在预测SARS-CoV-2阳性患者ICU入住方面，准确度如何？
• RQ4 针对三项临床结局，哪些临床特征最具预测力？

主要发现

• 在检测前预测SARS-CoV-2检测阳性时，模型达到75%的敏感度（95%置信区间：67%，81%），特异度为49%（95%置信区间：46%，51%）。
• 在预测SARS-CoV-2阳性患者住院情况时，模型AUC达到0.92（95%置信区间：0.81，0.98）。
• 在预测SARS-CoV-2阳性患者ICU入住情况时，模型AUC达到0.98（95%置信区间：0.95，1.00）。
• 本研究识别出对各项结局具有高预测力的特定临床特征，支持针对性的临床分诊。
• 研究结果表明，基于常规临床数据训练的机器学习模型可有效预测COVID-19患者的临床路径。
• 较高的AUC值表明模型具有强大的区分能力，尤其在重症监护预测方面表现突出，支持其在临床资源优先分配中的部署。