Leistungsstarke altersstratifizierte maschinelle Lernmodelle zur Vorhersage des Schweregrads des Fortschreitens von COVID-19

Hunderte Millionen Fälle der Coronavirus-Krankheit 2019 (COVID-19) wurden in den letzten zwei Jahren während der andauernden Pandemie dokumentiert, die durch das schwere akute respiratorische Syndrom Coronavirus 2 (SARS-CoV-2) verursacht wurde. Da viele davon schwerwiegend genug sind, um einen Krankenhausaufenthalt zu rechtfertigen, war es ein Schwerpunkt der Forschung zu verstehen, wie einzelne Patienten nach Risiken stratifiziert werden können, um sicherzustellen, dass die immer begrenzten Gesundheitsressourcen denen zugewiesen werden, die sie wirklich brauchen.

Studien: Die Risikofaktoren für schweres COVID-19 unterscheiden sich je nach Alter für hospitalisierte Erwachsene. Bildnachweis: GEMINI PRO STUDIO / Shutterstock

Ein neues Paper beschreibt ein für diesen Zweck optimiertes altersbezogenes Risikomodell.

Einführung

Obwohl die meisten Menschen mit COVID-19 asymptomatische oder leichte Infektionen haben, entwickelt eine bedeutende Minderheit eine schwere Krankheit, die einen Krankenhausaufenthalt, eine Sauerstoffergänzung und/oder eine Aufnahme auf der Intensivstation (ICU) erfordert. Zu den Risikofaktoren für schwere Erkrankungen gehören zunehmendes Alter und das Vorhandensein chronischer Erkrankungen im Zusammenhang mit Immunsuppression und / oder Entzündungen. Dazu gehören kardiovaskuläre Risikofaktoren wie Bluthochdruck, Diabetes, metabolisches Syndrom, chronische Lungenerkrankungen und chronische Nierenerkrankungen sowie Patienten mit soliden Organtransplantationen oder Krebs.

Das Verständnis des Risikos einer bestimmten Person ist wichtig bei der Auswahl der Versorgungsstufe, der der Patient zugewiesen werden soll, wenn klinische Entscheidungen getroffen werden, und für genaue Forschung. Frühere Studien haben maschinelles Lernen verwendet, um die COVID-19-Ergebnisse basierend auf den Aufnahmeparametern zu klassifizieren. Weitere Analysen können spezifische Risikofaktoren auf individueller und Bevölkerungsebene identifizieren.

Beide stammen jedoch hauptsächlich aus Studien, die in höheren oder spezialisierten Zentren durchgeführt wurden, zeigen ein häufigeres Auftreten unerwünschter Ereignisse als an anderer Stelle üblich, verwenden Parameter, die in den meisten klinischen Umgebungen normalerweise nicht gemessen werden, und analysieren die Unterschiede in den Risikofaktoren nicht Krankenhauspatienten nach Altersgruppen.

Die aktuelle Studie, online veröffentlicht in Wissenschaftliche Berichte, zielt darauf ab, ausgeklügelte Modelle für maschinelles Lernen zu verwenden, die Patientendaten nach Altersgruppen stratifizieren, um den Krankheitsverlauf bei fast 7.000 Patienten vorherzusagen, die in kommunalen Krankenhausumgebungen untersucht wurden.

Die Studie fand über einen Zeitraum statt, in dem Delta-Varianten vorherrschten, aber nachdem die Sterblichkeitsrate mit neueren Behandlungsprotokollen gesunken war. Die Forscher verwendeten nur die Tests, die routinemäßig bei allen COVID-19-Patienten angewendet werden.

Was hat die Studie gezeigt?

Die Patienten in dieser Studie hatten in etwas mehr als einem Zehntel der Fälle schwerwiegende Folgen. In allen Fällen waren der Body-Mass-Index (BMI), das Alter und das Geschlecht mit einer schweren Erkrankung assoziiert.

Unterteilt nach Alter zwischen 18 und 50 Jahren vs. bei den über 50-Jährigen fanden sie auch Zusammenhänge zwischen dem Risiko einer schweren Erkrankung in der ersteren Gruppe und Herzinsuffizienz und Kardiomyopathie. In der letztgenannten Altersgruppe gehörten jedoch Demenz und die Anwendung von Vasopressoren innerhalb einer Stunde nach der Aufnahme mit COVID-19 oder dem ersten positiven Test auf die Krankheit zu den Risikofaktoren für eine schwere Erkrankung.

Wenn die Vitalfunktionen (Blutdruck, Herzfrequenz, Atemfrequenz, Sauerstoffsättigung und Körpertemperatur) zusätzlich zu den oben genannten Faktoren zu einem einzigen Indikator zusammengefasst wurden, zeigten die resultierenden Klassifikatoren eine gute Leistung bei der Unterscheidung der wahren Positiven von den wahren Negativen.

Unter Verwendung des Algorithmus namens Gradient Boosting Decision Tree (GBDT) betrug die höchste True-Positive-Rate in der jüngeren Untergruppe 75 %, vergleichbar mit der True-Negative-Rate von 74 %, wobei die Fläche unter der Receiver Operator Curve (AUROC) 78 % betrug. , was auf eine recht gute Leistung hinweist.

Auch in der älteren Gruppe ergab dieser Algorithmus Richtig-Positiv-Raten von über 72 %, mit einem Richtig-Negativ-Rate von 73 %. Der AUROC von 81 % weist erneut auf die Fähigkeit dieses Ansatzes hin, den Krankheitsverlauf mit angemessener Genauigkeit vorherzusagen.

Derselbe Ansatz ermöglichte es auch, die Leistung des Modells über Altersgruppen hinweg zu bewerten, wobei gezeigt wurde, dass es in allen Gruppen bis zu 56 Tage nach dem ersten positiven Test mit einem AUROC-Wert von ungefähr 80 % abschneidet. Die Mortalitätsvorhersage zeigte ebenfalls eine Genauigkeit von insgesamt 82 %, mit 79 % für die jüngeren und 75 % für die älteren Untergruppen.

Was sind die Auswirkungen?

Die in dieser Studie verwendeten Risikomodelle differenzierten die Risikofaktoren für das Fortschreiten der Krankheit bei jüngeren und älteren Patienten und ermöglichten erstmals eine altersabhängige Vorhersage des Schweregrads bei Erwachsenen, die wegen COVID-19 in einem frühen Stadium des Krankheitsverlaufs zu mehreren Zeitpunkten ins Krankenhaus eingeliefert wurden . Im Gegensatz zu den meisten früheren Modellen basieren diese Ergebnisse auf routinemäßig durchgeführten Tests und Vitalzeichen.

Wichtig ist, dass die Studie zeigte, dass die Aufnahmeergebnisse in Bezug auf Vitalfunktionen und Labordaten das Vorhandensein einer Grunderkrankung als Prädiktor für kritische und tödliche Folgen von COVID-19 überwogen. Dieses Verständnis ist wahrscheinlich das Ergebnis der Verwendung von GBDT, einem sequentiellen Ensemble-Modell, das den Effekt des Alters aus dem vorhergesagten Risiko entfernt, wodurch die Auswirkungen anderer Risikofaktoren deutlich sichtbar werden.

Eine Vorgeschichte von Krebs, Kardiomyopathie und chronisch obstruktiver Lungenerkrankung (COPD) war bei jüngeren Patienten eher mit einer schweren Erkrankung verbunden als bei älteren, während eine Nierenerkrankung mit dem Fortschreiten der Krankheit in der älteren Gruppe verbunden ist. Das Alter selbst ist ein Risikofaktor für kritische und tödliche Folgen bei jüngeren Patienten, ebenso wie der BMI.

Darüber hinaus waren die Aufnahmebefunde in Bezug auf den Sauerstoffbedarf und die Vitalfunktionen am aussagekräftigsten für das Fortschreiten der Krankheit. In dieser Gruppe waren neben Alter und Vitalfaktoren höhere Kreatinin- und niedrigere Calciumwerte von erhöhter Bedeutung.

Bei älteren Patienten waren jedoch Laborergebnisse wichtiger, insbesondere Blutharnstoff, AST, niedrigeres Kalzium und Bikarbonat. In Verbindung mit einer Summe aus Atemfrequenz, Blutdruck und Sauerstoffsättigung sagten diese die kritische Erkrankung am besten in dieser Gruppe voraus.

Da Blutplättchen und Lymphozyten sinken, während Kreatininwerte und Neutrophilenzahlen steigen, stieg das Risiko einer kritischen Erkrankung. Niedriges Kalzium prognostizierte den Schweregrad in beiden Altersgruppen, jedoch mehr in der älteren Gruppe.

Bei hospitalisierten Erwachsenen können Basisdaten, die innerhalb einer Stunde nach der Krankenhausaufnahme oder einem ersten positiven SARS-CoV-2-Test bei einem stationären Patienten verfügbar sind, eine kritische Erkrankung innerhalb eines Tages und bis zu 56 Tage später vorhersagen.“ Neben der Unterscheidung zwischen der Rolle spezifischer Risikofaktoren in verschiedenen Altersgruppen zeigten die Ergebnisse, dass Vitalfunktionen und Laborbefunde für die Vorhersage des Schweregrads wichtiger waren als eine Krankheitsgeschichte oder das Geschlecht.

Die Ergebnisse dieses altersstratifizierten Modellierungsansatzes liefern ein erweitertes Verständnis der aktuellen Risikofaktoren für schwere COVID-19-Ergebnisse und können helfen, Pflegeentscheidungen zu treffen und die nächsten Schritte für die Forschung zu priorisieren.“

.

Leave a Comment