美国COVID-19数据登记处如何推动全球研究

鉴于COVID-19传播的速度和对健康影响(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人口的水平。这种病毒会导致发烧、咳嗽、缺乏嗅觉、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。同时，不完整、不透明、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的研究级证据的问题，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深度聚合数据的国家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理解。健康的催世界杯葡萄牙vs加纳即时走地化剂Touchstone®COVID-19注册和洞察例如，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 - 19跟踪项目。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，以及治疗反应。

国家级COVID-19数据为全球研究提供动力

Touchstone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，新加坡医疗保健部的(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数据开发了一个机器学习帮助预测COVID-19死亡可能性的工具，这是推动对高危患者的治疗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。”“作为提供医疗决策信息的一种实用替代方案，机器学习模型可以更快地生成和分析现实世界的证据。”

注册驱动分析工具利用COVID-19数据提供决策支持

为了帮助可能没有研究资源的邻国，新加坡MOHT寻求提供帮助分析协助管理大流行的工具。然而，新加坡的人口规模和新加坡实施的严格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MOHT的数据科学家评估了来自Touchstone注册的详细COVID-19数据，以确定与COVID-19死亡率相关的患者因素(图1)。

图1:与COVID-19死亡率相关的因素。

Touchstone COVID-19数据集包含168,632名独立患者的识别数据。为了进行比较，该数据集包括有covid -19相关症状和诊断的患者。在这些独特的患者中，有47464名患者至少表现出一种与COVID-19相关的症状，其中约21%的患者COVID-19检测呈阳性。同样，数据中有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这些症状)。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。少数患者表现出味觉/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。

图2:COVID-19患者症状分布。

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，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其检测制度所确定的情况)。最终，美国的症状数据太过稀疏，无法形成一个预测模型的基础，该模型的表现优于MOHT已经开发的基于文献的确定性测试结果模型(图3)。

图3:MOHT COVID-19检测结果预测模型。

一种基于数据的机器学习工具有助于预测谁可能死于COVID-19

在MOHT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，开发了一种机器学习预测工具，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:

• 死亡率因年龄组和性别而有显著差异，并在一定程度上与种族有关。
• 尽管黑人或非裔美国人的年龄略低，但他们的死亡率较高。
• 死亡率取决于与年龄分布无关的共病。

图4:MOHT COVID-19死亡率预测工具1/2。

与缺乏症状数据捕获相比，患者人口统计和共病数据支持死亡率预测模型(在所有可能的分类阈值的性能的综合衡量，AUC为86.7%)。对于上图中的共病，红色表示存在该疾病，蓝色表示不存在该疾病。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，该模型的执行情况与有共病的模型几乎相同(AUC为85%，而原始AUC为86.7%)。

图5:卫生部COVID-19死亡率预测工具2/2。

COVID-19死亡率预测模型经得起同行评议的文献

为了验证新冠肺炎死亡率预测模型的准确性，卫生部查阅了已发表的文献，并将该模型的结果与其他研究进行了比较。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:

• 几项研究表明，患者年龄是COVID-19死亡率的可靠预测因素:
  • 根据一项研究在中国，病人老了65岁及以上具有较高的COVID-19死亡风险。
  • 韩国的研究人员发现，在美国，COVID-19的死亡率更高老年人。
• Race-Race作为COVID-19死亡的预测因素有一些好坏参半的结果，但一些研究显示了相关性:
  • 纽约的一项研究确定了种族与COVID-19死亡率之间的联系。
  • 美国黑人的COVID-19病死率较高。
• 性别研究将性别与COVID-19死亡率联系起来:
  • 在中国,男人更有可能出现最糟糕的COVID-19结果和死亡。
  • 多元回归确定存在男性作为COVID-19死亡的风险因素。
• 患COVID-19和癌症的患者死亡风险更大。
  • 年龄、性别和共病增加了COVId-19患者的死亡风险癌症。
  • 由于不利的预后因素，住院患者与癌症和COVID-19病死率很高。

开展合作，深入了解2019冠状病毒病

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。首要任务是将COVID-19检测分配给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。对于剩余的人群，COVID-19的风险阈值(给定症状)和死于病毒的风险可能决定检测的分配。同样，这些数据驱动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发挥疫苗的早期影响。

将Touchstone COVID-19登记处和Insights汇集的美国医疗保健提供商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，并最终改善卫生成果。

更多的阅读

你想了解更多关于这个主题的信息吗?以下是我们建议的一些文章:

1. 世界杯葡萄牙vs加纳即时走地Health Catalyst推出COVID-19患者数据仓库，以加快疫苗开发
2. 使用COVID-19值集进行患者识别
3. 世界杯葡萄牙vs加纳即时走地Health Catalyst推出COVID-19患者数据仓库，以加快疫苗开发
4. 可持续医疗应急管理框架:COVID-19及其后
5. 人口建设者为大众提供数据