动态工具准确预测COVID-19发展为严重疾病或死亡的风险

临床医生在治疗了许多COVID-19患者后，通常会学习如何识别COVID-19病例的模式。机器学习系统有望增强这种能力，识别大量COVID-19患者更复杂的模式，并利用这种洞察力预测单个患者的病程。然而，发誓“不造成伤害”的医生可能不愿意将最严重患者的治疗和护理策略基于难以使用或难以解释的机器学习算法。

现在，约翰·霍普金斯大学医学研究人员开发了一种先进的机器学习系统，可以准确预测患者与COVID-19的对抗将如何发展，并以易于理解的形式将研究结果反馈给临床医生。这种新的预后工具被称为严重COVID-19适应性风险预测器(SCARP)，可以帮助确定因COVID-19住院的患者发展为更严重形式的疾病或死于这种疾病的一天和七天风险。

SCARP只需最少的输入就能给出准确的预测，使其快速、简单、可靠地作为治疗和护理决策的基础。3月2日，一篇文章首次在《美国科学院学报》网上发表，描述了这种新工具内科学年鉴．

“SCARP旨在为临床医生提供一种交互式和自适应的预测工具，能够在患者床边输入实时临床变量，”约翰霍普金斯大学医学院医学助理教授、该论文的高级作者马修·罗宾逊博士说。“通过在第二天和一周以及住院头两周的任何时候对严重疾病或死亡的发展进行个性化临床预测，SCARP将使医疗团队能够就如何最好地治疗每位COVID-19患者做出更明智的决定。”

SCARP的大脑是一种被称为生存随机森林，纵向和多元数据(RF-SLAM)的预测算法，它的创造者，约翰霍普金斯大学医学研究人员Shannon Wongvibulsin，医学博士/博士在2019年的一篇论文中描述了它。学生;Katherine Wu，医学博士;斯科特·齐格博士

与过去的临床预测方法不同，RF-SLAM根据患者入院时的病情对其进行风险评分，并适应最新可用的患者信息，并考虑这些测量值随时间的变化。为了使这种动态分析成为可能，RF-SLAM将病人的住院时间划分为六个小时的窗口。在这些时间跨度内收集的数据然后由算法的“随机森林”进行评估，该算法的“随机森林”由大约1000棵“决策树”组成，这些“决策树”作为一个整体运行。这使得SCARP对结果的预测比单独的决策树更准确。

“就像单个股票和债券作为一个投资组合表现得更好一样——当单个项目平衡彼此的价格涨跌时，整体价值保持强劲——树木作为一个群体创造了一个灵活和适应性强的森林，保护彼此免受个别错误的影响，”罗宾逊说。“所以，即使一些树预测错误，许多其他的树也会正确预测，并将群体推向正确的方向。”

Robinson说，大多数用于临床预测的机器学习系统只能考虑单个时间点的静态数据。他解释说:“RF-SLAM使我们能够灵活地在任何时候预测未来。”

为了证明SCARP预测严重COVID-19病例或死于该疾病的能力，罗宾逊和他的同事使用了约翰·霍普金斯卫生系统5个中心2020年3月至12月期间因COVID-19住院患者的临床登记数据。可获得的患者信息包括人口统计数据、其他医疗状况和行为风险因素，以及随着时间推移的100多个变量，如生命体征、血细胞计数、代谢情况、呼吸频率和所需的补充氧气量。

在此期间收治的3163例中度COVID-19患者中，228例(7%)在24小时内病情加重或死亡;另有355人(11%)在第一周内病重或死亡。还收集了在入院后14天内任何一天发生严重COVID-19或死亡的人数的数据。

总体而言，SCARP对进展为严重COVID-19或死亡的一天风险预测的准确率为89%，而对这两种结果的七天风险预测的准确率为83%。

Robinson说，进一步的SCARP试验计划使用国家患者数据库大规模验证其性能。根据第一项研究的结果，约翰霍普金斯医学院已经在其位于马里兰州和华盛顿特区的所有五家医院的电子病历系统中加入了SCARP的一个版本。

Robinson说:“我们的成功演示表明，SCARP有可能成为一种易于使用、高度准确和具有临床意义的COVID-19住院患者风险计算器。”“充分掌握患者在未来24小时内或下周发展为严重疾病或死亡的实时风险，可以帮助医疗保健提供者在COVID-19患者病情加重时为他们做出更明智的选择和治疗决定。”

---

---