鉴于传播速度和对人口健康影响(已知和未知)的广度,COVID-19疫情一直是美国和全球关注的重大问题。这种病毒会导致发烧、咳嗽、缺乏气味、疲劳以及轻度到严重的呼吸道并发症,如果非常严重,可能会导致患者死亡。与此同时,不完整、不透明和过时的COVID-19数据是国内和国外了解和管理该病毒以及开发疫苗的主要障碍之一。为了克服缺乏真实世界研究级证据的问题,研究人员正在寻找全面、实时的COVID-19数据的创新来源。
利用EMR深度汇总数据的国家COVID-19数据集,为研究人员提供了管理病毒和开发疫苗所需的深度和广度理解。例如,H世界杯葡萄牙vs加纳即时走地ealth Catalyst Touchstone®COVID-19注册和洞察包括来自美国各地8000万名患者的去识别数据,以及来自三个国家来源的跟踪数据约翰霍普金斯大学,纽约时报,COVID追踪项目.有了如此广泛的数据访问,数据分析师可以在全国范围内利用数据,推动人口层面的洞察监测、测试、容量规划和治疗反应。
Touchstone和国家COVID-19登记处还承诺为美国境外的研究提供信息。在2020年的夏天,新加坡卫生部的(卫生部)医疗转型办公室(MOHT)与Health Catalyst合作,使用Tou世界杯葡萄牙vs加纳即时走地chstone COVID-19数据开发了一种机器学习工具,帮助预测COVID-19死亡的可能性,这是推动对高危患者的护理和在人群水平上管理疫情的关键见解。为了验证他们的预测工具的准确性,Health Catalyst将其结果与文献中发表的结果进行了比较,并世界杯葡萄牙vs加纳即时走地确定其注册信息研究与同行评审的出版物密切一致。
新加坡MOHT高级数据科学家Praveen Deorani解释说:“对于COVID-19这样快速发展的情况,医学研究人员不能仅仅依靠临床试验来提供指导。”“作为一种替代医疗决策的实用方法,机器学习模型可以更快地生成和分析现实世界的证据。”
为了帮助可能没有研究资源的邻国,新加坡卫生部寻求提供分析工具,以协助管理大流行。然而,新加坡的人口规模和新加坡实施的严格控制措施共同限制了该国的COVID-19病例数量和死亡率,导致COVID-19缺乏数据为预测工具提供动力。
新加坡卫生部的数据科学家评估了来自Touchstone注册中心的详细COVID-19数据,以确定与COVID-19死亡率相关的患者因素(图1)。
Touchstone COVID-19数据集包含168,632名独立患者的识别数据。为了便于比较,该数据集包括有与covid -19相关症状和诊断的患者。在这些独特的患者中,有47464人至少表现出一种与COVID-19相关的症状,其中约21%的人COVID-19检测呈阳性。同样,数据包含26415名COVID-19检测呈阳性的患者(61%的患者没有症状,或者治疗机构没有记录症状)。在covid -19阳性患者中,与covid -19相关的死亡率约为3%(26415人中有789人)。
最初的分析工作侧重于提供一种分诊工具,以优先治疗出现covid -19相关症状的患者。如图2所示,COVID-19检测呈阳性的患者与未检测呈阳性的患者有不同的症状分布。然而,大多数患者或无症状或无症状记录。少数患者出现味觉/嗅觉丧失引起了卫生部的特别关注,因为这一症状在新加坡被视为COVID-19的一个强烈指标。
尽管普遍缺乏症状数据,但当卫生部的研究人员将症状与COVID-19阳性检测的相关性进行比较时,两个症状突显出来:之前接触过病毒和味觉/嗅觉丧失(后者证实了新加坡通过检测制度确定的结果)。最终,美国的症状数据过于稀疏,无法形成一个比MOHT已经开发的基于文献的确定性检测结果模型更好的预测模型(图3)。
在MOHT的初步分析工作完成后,该组织利用年龄、种族、性别和共病(包括高血压、癌症等)等因素,制作了一个机器学习预测工具,以帮助临床医生识别死亡风险最高的COVID-19患者(图4)。MOHT的一些最有意义的见解包括:
与缺乏症状数据相比,患者人口统计和共病数据支持死亡率预测模型(所有可能的分类阈值的性能综合衡量,AUC为86.7%)。对于上面图表中的共病,红色表示存在这种情况,蓝色表示不存在这种情况。如数值所示,大多数共病对死亡风险有明显影响。
然而,基于共病的预测只有在分析人员知道患者的共病时才有用。因此,考虑到在基于共病的模型中观察到的年龄、性别和种族的影响,MOHT的数据科学家创建了第二个模型,只使用那些可能普遍适用于临床医生的特征:年龄、性别、种族和烟草使用史。如图5所示,该模型与有共病的模型几乎相同(AUC为85%,而原始AUC为86.7%)。
为了验证新冠肺炎死亡率预测模型的准确性,建交部回顾了已发表的文献,将该模型的结果与其他研究结果进行了比较。该团队确定,其预测模型的结果与其他同行评审的研究结果完全一致。
以下列表提供了MOHT模型用于预测COVID-19死亡率的因素示例,以及证实它们与COVID-19死亡率关系的一些已发表文献:
这些covid -19数据驱动预测模型最有前途的用途之一可能是在资源不足的地区优先进行病毒检测。首要任务是向一线医护人员和与大量人群接触的个人(如收银员和公交车司机)分配COVID-19检测。对于剩余人群,COVID-19风险阈值(给定症状)和病毒死亡风险可决定检测分配。同样,这些以数据为动力的模型可能支持在疫苗可用时及早分配疫苗,因为在高风险人群中进行免疫接种可最大限度地提高疫苗的早期效果。
将Touchstone COVID-19登记处和洞察力汇集的美国医疗保健提供者的数据与新加坡卫生部的专业知识和经验相结合,提供了这两个组织都无法单独获得的能力和洞察力。这样的全球合作的机会是无穷无尽的,并为整个研究界创造了一个巨大的机会,利用现实世界的证据来解决全球卫生问题,并最终改善卫生结果。
你想了解更多关于这个主题的信息吗?以下是我们推荐的一些文章:
您愿意使用或分享这些概念吗?下载突出重点的演示文稿。
我们以为您提供相关、有用的内容而自豪。我们可以用cookies来追踪你所阅读的内容吗?我们非常重视您的隐私。详情请参阅我们的隐私政策了解详情和任何问题。