除了促进美国国内对COVID-19的了解外,国家疾病登记处还为美国境外的研究提供信息。新加坡卫生部医疗保健转型办公室(MOHT)的临床医生使用了Health Catalyst试金石世界杯葡萄牙vs加纳即时走地®利用COVID-19数据开发一种机器学习工具,帮助预测COVID-19死亡的可能性。利用这一利用深度汇总EHR数据的国家数据集,卫生部访问了所需的研究级数据,以构建预测COVID-19死亡风险的机器学习算法。登记信息预测模型的准确性足以经得起已发表文献的比较,并有望帮助为疫苗研究提供信息,并最终为人群中的疫苗分配提供信息。
鉴于COVID-19疫情对人类健康的影响(已知和未知)的传播速度和广度,COVID-19疫情一直是美国和全球关注的一个重大问题人口的水平。这种病毒会引起发烧、咳嗽、嗅觉丧失、疲劳以及轻微到严重的呼吸道并发症,如果非常严重,可能导致患者死亡。同时,不完整、不透明、过时的COVID-19数据是国内外了解和管理该病毒以及开发疫苗的主要障碍之一。为了避免缺乏真实世界的研究级证据,研究人员正在寻找全面、实时的COVID-19数据的创新来源。
利用深度聚合EMR数据的国家COVID-19数据集,提供了研究人员管理病毒和开发疫苗所需的深度和广度。健康催化世界杯葡萄牙vs加纳即时走地剂Touchstone®COVID-19注册和洞察例如,包括来自美国8000万患者的去身份识别数据,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,数据分析师可以利用全国范围内的数据来推动关于人口级别的见解监测、测试、容量规划,以及治疗反应。
试金石公司和国家COVID-19登记处还承诺为美国境外的研究提供信息。2020年夏天,新加坡卫生部的(卫生部)医疗保健转型办公室(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有助于预测COVID-19死亡可能性的工具,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。为了验证其预测工具的准确性,Health Catalyst将其结果与文献中发表的结果进行了比较,并确定世界杯葡萄牙vs加纳即时走地其注册信息研究与同行评审的出版物密切一致。
新加坡卫生部高级数据科学家Praveen Deorani解释说:“对于像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指导。”“作为一种告知医疗决策的实用替代方案,机器学习模型可以更快地生成和分析现实世界的证据。”
为了帮助可能没有可用研究资源的邻国,新加坡MOHT寻求提供分析协助管理这一流行病的工具。然而,新加坡的人口规模和严格的控制措施结合在一起,限制了该国的COVID-19病例数量和COVID-19死亡率,导致缺乏数据权力预测工具。
新加坡卫生部的数据科学家评估了来自金石登记处的COVID-19详细数据,以确定与COVID-19死亡率相关的患者因素(图1)。
图1:与COVID-19死亡相关的因素。
试金石COVID-19数据集包含168,632名独特患者的未识别数据。为了进行比较,该数据集包括了有covid -19相关症状和诊断的患者。在这些独特的患者中,47,464人表现出至少一种与COVID-19相关的症状,其中约21%的患者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%要么无症状,要么治疗机构没有记录症状)。covid -19阳性患者与covid -19相关的死亡率约为3%(26415人中有789人)。
最初的分析工作重点是提供一种分类工具,以优先照顾表现出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检测未呈阳性的患者具有不同的症状分布。然而,大多数患者或无症状,或无症状记录。MOHT对少数表现出味觉/嗅觉丧失的患者特别感兴趣,因为这种症状在新加坡被视为COVID-19的一个强烈指标。
图2:COVID-19患者的症状分布。
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,有两种症状突出:先前接触病毒和丧失味觉/嗅觉(后者证实了新加坡通过检测制度确定的结果)。最终,美国症状数据过于稀疏,无法形成一个预测模型的基础,该模型可以比MOHT已经开发的基于文献的确定性测试结果模型表现更好(图3)。
图3:卫生部COVID-19检测结果预测模型。
在MOHT的初步分析工作之后,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以下:
图4:卫生部COVID-19死亡率预测工具
与缺乏症状数据的情况相反,患者人口统计学和共病数据支持死亡率预测模型(所有可能的分类阈值的综合性能测量,AUC为86.7%)。对于上图中的合并症,红色表示存在该病症,蓝色表示不存在该病症。如数值所示,大多数合并症对死亡风险有明显影响。
然而,基于合并症的预测只有在分析人员知道患者的合并症时才有用。因此,鉴于在基于共病的模型中观察到年龄、性别和种族的影响,MOHT的数据科学家创建了第二个模型,仅使用那些临床医生可能普遍可用的特征:年龄、性别、种族和烟草使用史。如图5所示,该模型与有合并症的模型几乎相同(AUC为85%,原始AUC为86.7%)。
图5:卫生部COVID-19死亡率预测工具2/2。
为了验证COVID-19死亡率预测模型的准确性,交通部审查了已发表的文献,将该模型的结果与其他研究进行比较。该团队认为,其预测模型的结果与其他同行评议的研究完全一致。
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一些已发表的文献,这些文献证实了它们与COVID-19死亡率的关系:
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。首要任务是向一线卫生保健工作者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。对于其余人群,COVID-19风险阈值(给定症状)和病毒死亡风险可能决定检测分配。同样,这些数据驱动的模型可以在疫苗可用时支持早期分配疫苗,因为在高危人群中免疫可最大限度地发挥疫苗的早期作用。
将美国医疗保健提供商的COVID-19登记和见解汇总数据与新加坡卫生部的专业知识和经验相结合,可以提供任何组织都无法单独获得的能力和见解。这样的全球合作机会无穷无尽,为整个研究界创造了巨大的机会,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话题的信息吗?以下是我们推荐的一些文章:
我们以为您提供相关、有用的内容而自豪。我们可以使用cookie来跟踪您阅读的内容吗?我们非常重视您的隐私。请参阅我们的隐私政策详情和任何问题。