華中科大AI模型預測新冠生存率準確率90%，有助早期介入!

當地時間3月17日，預印醫(yī)療平臺medRxiv發(fā)布了一項名為“基于機器學習的嚴重co vid-19感染患者生存預測模型”的研究成果(未經同行評審)。這項由29名科學家共同進行的研究，利用最新的可解釋機器學習算法，揭示了預測新冠肺炎(新冠肺炎)患者存活率的生物標志物，有望加強新冠肺炎高?；颊叩脑缙诟深A，降低死亡率。

研究團隊來自華中科技大學同濟醫(yī)學研究所附屬同濟醫(yī)院，華中科技大學人工智能與自動化學院，劍橋大學植物科學學院等。本文作者為華中科技大學人工智能與自動化學院教授袁燁、同濟醫(yī)院麻醉科徐輝、醫(yī)學急診(重癥)科主任李樹生。

研究人員收集了來自武漢同濟醫(yī)院的404名新冠肺炎感染患者的血液樣本，并對其進行了回顧性分析。通過機器學習工具，研究團隊最終選擇了三種生物標志物來預測個體患者的生存率，準確率超過90%: LDH(乳酸脫氫酶)、淋巴細胞和hs-CRP(高敏C反應蛋白)。

特別是，只有高LDH水平的指標可用于區(qū)分需要立即治療的絕大多數病例。研究人員表示，這一發(fā)現與目前的醫(yī)學知識相一致，即LDH水平高與各種疾病中的組織分解有關，包括肺炎等肺部疾病。

在現階段，對疾病的嚴重程度進行快速、準確和早期的臨床評估是非常重要的。然而，目前還沒有明確的生物標志物作為區(qū)分需要立即就醫(yī)的患者的標準。

在這項研究中，作者使用最先進的機器學習框架表明，上述三種生物標志物可以準確預測疾病的嚴重程度，從而大大減輕臨床參數監(jiān)測和其他相關醫(yī)療負擔的壓力。

研究人員開發(fā)了一種基于XGBoost機器學習的預后模型，通過使用患者的最新血液樣本，可以預測新冠肺炎重癥患者的存活率，準確率超過90%。使用其他血液樣本可以達到90%的預測準確率。

本研究提出了一個簡單可操作的公式，可以快速發(fā)現新冠肺炎高?；颊?，早期干預，盡可能降低其死亡率。

研究樣本和模型訓練

研究人員進行了一項分類任務，輸入普通、重癥和危重疾病患者的基本信息、癥狀、血液樣本和實驗室檢查結果(包括肝功能、腎功能、凝血功能、電解質和炎癥因子)，并將其與測試期結束時的臨床后果(存活或死亡)對應起來。

研究樣本為同濟醫(yī)院于2020年1月10日至2月20日收集的404例患者的醫(yī)療信息。在這404名患者中，213名康復，其余191名死亡。作者指出，高死亡率與同濟醫(yī)院作為定點醫(yī)院有關，它治療最嚴重的病例。研究人員使用標準病例報告表來收集醫(yī)療記錄，包括流行病學、人口統(tǒng)計學、臨床、藥物、護理和死亡率信息。

研究人員使用375名患者的信息進行算法開發(fā)，并使用29例進行驗證。

研究人員將患者數據分為訓練集、測試集和其他附加驗證集。共有375名患者被包括在訓練集和測試集中，而29名患者被包括在驗證集中。按照7: 3的比例設置訓練集和測試集的樣本數，然后進行5次交叉驗證。

驗證組的患者都是重癥患者，因為就臨床結果而言，他們是最不可預測的。從臨床癥狀來看，發(fā)熱是最常見的首發(fā)癥狀(49.9%)，其次是咳嗽(13.9%)、乏力(3.7%)和呼吸困難(2.1%)。375例患者的年齡分布為58.83±16.46歲，其中男性占58.7%?；颊咧?7.9%為武漢市居民，6.4%為家庭聚集性病例，1.9%為醫(yī)療務工人員。

患者的年齡、性別、流行史等特征。

雖然大多數患者在整個住院期間收集了多個血樣，但模型訓練和測試僅使用患者的最新血樣記錄作為輸入，以獲得評估疾病嚴重程度的關鍵生物標志物，區(qū)分需要立即醫(yī)療援助的患者，并準確匹配每個標簽的相應功能。

患者三種生物標志物的中值，以及25和75的百分位數。

與死亡風險最相關的臨床特征

研究人員使用名為XGBoost的分類器作為預測模型。XGBoost是一種高性能的機器學習算法，由于其基于樹型方法的遞歸決策系統(tǒng)，具有很大的可解釋性。模型的輸出對應于患者的生存狀況。研究人員將存活的患者歸類為0，死亡的患者歸類為1。

研究者之所以沒有采用黑盒建模策略，是因為其內部建模機制通常難以解釋。在XGBoost中，每個函數的重要性取決于它在樹的每個決策步驟中的累積使用量。通過這種方式，可以獲得一個度量來表征每個特征的相對重要性，這對于評估模型結果中最顯著的特征尤其有價值，尤其是當研究與臨床醫(yī)療參數相關時。

為了評估死亡風險的標志，研究人員通過特征選擇過程評估了每個患者參數對算法決策的貢獻。XGBoost根據函數的重要性對其進行排序。該算法選擇三個頂級臨床特征:LDH、淋巴細胞和hs-CRP，因此它們被設置為關鍵特征。

根據其在多樹XGBoost算法中的重要性，研究人員排列了十大關鍵臨床特征，LDH、淋巴細胞和hs-CRP排在前三位。

結果表明，在不考慮入院時的初始診斷的情況下，該模型可以準確地預測患者的預后。

此外，附加驗證集的性能類似于訓練和測試集的性能，這表明該模型捕獲了與患者生存相關的關鍵生物標志物。同時，算法結果進一步強調了LDH作為患者存活率關鍵生物標志物的重要性。

訓練/測試拆分和附加驗證集三個關鍵特征的模型性能，F1-score是算法準確率和召回率的調和平均值，最高為1，最低為0。

根據對LDH、淋巴細胞和hs-CRP重要性的發(fā)現，研究人員進一步構建了一個可以應用于臨床的簡化決策模型，即單決策樹。因為24名患者的三個主要生物標志物中至少有一個是不完整的，所以研究人員用剩余的351名患者確定了XGBoost模型。

簡單來說，研究人員選擇模型中性能最好的樹，利用三個關鍵特征及其閾值來預測患者的死亡或存活。

根據測試數據集及其準確性選擇具有最佳性能的樹

該模型顯示了100%的死亡率預測準確性和90%的生存預測準確性?？傮w來看，無論是多樹XGBoost模型還是單樹XGBoost模型，模型對于生存和死亡預測的準確率、宏觀和加權平均得分始終超過0.90。

最后，大多數患者在住院期間接受了多個血液樣本。研究人員用成千上萬的額外血液測試結果驗證了該模型，發(fā)現預測準確率達到90%。此外，相關結果進一步表明，無論患者的臨床結果如何，該模型都可以應用于任何血液樣本。

盡早識別高風險患者，并快速確定優(yōu)先級。

研究人員表示，這項研究的意義是雙重的。首先，一般的相關研究只會“提供高危因素的范圍”，而這個模型提供了一個簡單直觀的臨床測試，然后可以準確快速的量化死亡風險。

如果醫(yī)生能夠提前知道某些治療方法會導致某些患者治療效果不理想，那么醫(yī)生就可以在病情變得更嚴重之前采取不同的方法。應用該模型的目的是在不可逆病變發(fā)生前識別高?；颊?。

其次，任何醫(yī)院家族都可以很容易的收集到患者的LDH(乳酸脫氫酶)、淋巴細胞、hs-CRP(高敏C反應蛋白)的信息。這個簡單的模型可以幫助在擁擠的醫(yī)院中醫(yī)療資源短缺的情況下，快速確定患者的優(yōu)先級。

患者體內LDH水平的升高可以反映組織或細胞的破壞，這被認為是組織或細胞損傷的共同標志。血清LDH已被確定為特發(fā)性肺纖維化嚴重程度的重要生物標志物(IPF)。

在嚴重的肺間質疾病患者中，LDH的升高是顯著的，并且它是肺損傷的最重要的預后指標之一。因此，對于重度新冠肺炎患者，LDH水平的升高表明肺損傷的嚴重程度增加。

研究小組指出，較高的血清hs-CRP也可以用來預測重癥新冠肺炎患者的死亡風險。hs-CRP的升高是ARDS患者預后不良的重要標志，反映了炎癥的持續(xù)狀態(tài)。

值得注意的是，這種持續(xù)炎癥反應的結果可以從新冠肺炎死者的尸檢中看出，即肺部出現大量灰白色病變，組織切片中也可見大量肺泡的粘稠分泌物。

最后，研究結果還表明，淋巴細胞可能作為潛在的治療靶點，這一點得到了臨床研究結果的支持。此外，包括北京中日友好醫(yī)院呼吸科主任曹斌在內的研究人員已經證明，淋巴細胞減少是新冠肺炎患者的常見特征，可能是與疾病嚴重程度和死亡率相關的關鍵因素。

與SARS和MERS患者肺泡穿透和抗原呈遞細胞(APC)損傷的方式一樣，新冠肺炎患者受損的肺泡上皮細胞可誘導淋巴細胞浸潤，導致持續(xù)性淋巴細胞減少。

之前的一項患者活檢研究表明，外周血中CD4和CD8 T細胞的數量大大減少，它們的狀態(tài)是過度激活的。此外，一些研究表明，淋巴細胞減少主要與CD4和CD8 T細胞減少有關。因此，淋巴細胞在新冠肺炎中可能起著明顯的作用，值得進一步研究。

作者說這項研究也有一些局限性。首先，因為這種機器學習方法是純數據驅動的，如果我們從不同的數據集出發(fā)，模型可能會不一樣。

另外，雖然作者掌握了80多個臨床測量結果，但為了避免過擬合，團隊采用的建模原則是在最少的臨床測量結果數和良好的預測能力之間進行權衡，因此可能存在臨床測量結果不夠豐富的問題。

最后，本研究平衡了模型的可解釋性和較高的準確性。雖然臨床環(huán)境傾向于使用可解釋的模型，但如果使用黑盒模型，準確性可能更高，但同時決策的風險也更高。

從技術角度來看，作者認為這項工作有助于使用機器學習方法預測和診斷正在經歷大規(guī)模全球爆發(fā)的COVID 19病例。