文献速递呼吸衰竭与机械通气消化、代谢与肾脏急症重症综合管理与镇静镇痛

仅用基础临床数据开发机器学习模型预测流感样症状患者SARS-CoV-2 RT-PCR结果

Development of machine learning models to predict RT-PCR results for severe acute respiratory syndrome coronavirus 2 (SARS-CoV-2) in patients with influenza-like symptoms using only basic clinical data.
PubMed 文献 · Scand J Trauma Resusc Emerg Med · 2020-12-01
一句话结论单中心回顾性研究显示,基于74项基础临床数据训练的机器学习模型预测SARS-CoV-2 RT-PCR结果最佳准确率91.4%、敏感性94.1%、特异性88.7%,尚需更大样本验证。

该研究为意大利米兰单中心回顾性研究,纳入2020年2月22日至3月16日急诊流感样症状并接受SARS-CoV-2 RT-PCR检测的199例成人患者(中位年龄65岁,63.8%男性,124例阳性)。利用入院时74项临床、影像和常规实验室变量,训练WEKA和Semeion多种机器学习算法,采用Training-Testing和5折交叉验证。最佳模型准确率91.4%、敏感性94.1%、特异性88.7%;5折交叉验证最佳准确率87.7%。作者认为该工具若获更大样本验证,可能对急诊分诊和隔离决策有重要临床与组织管理价值。

要点

  • 研究纳入199例急诊流感样症状并检测SARS-CoV-2的患者,124例(62.3%)RT-PCR阳性,中位年龄65岁,63.8%为男性。
  • 最佳机器学习模型预测RT-PCR结果的准确率91.4%、敏感性94.1%、特异性88.7%,仅使用急诊可获得的基础临床、影像和实验室数据。
  • 5折交叉验证中最佳模型准确率87.7%、敏感性89.2%、特异性86.2%,性能略低于Training-Testing协议。
  • 模型输入变量包括白细胞计数及分类、胸部X线表现、生命体征等;原文强调白细胞分类计数对预测有重要信息价值。
  • 研究为回顾性单中心探索性模型开发,样本量小且未预先计算样本量,存在过拟合风险,结论需更大规模研究确认。

适用人群与场景

  • 纳入2020年2月22日至3月16日意大利米兰单中心急诊就诊、有COVID-19兼容症状(发热、咽痛、咳嗽、呼吸困难、胸痛、头痛、晕厥、乏力、关节痛、腹泻、恶心呕吐)并接受SARS-CoV-2 RT-PCR检测的患者。
  • 排除年龄<12岁者及急诊未进行白细胞分类计数(中性粒细胞、淋巴细胞、嗜酸性粒细胞、嗜碱性粒细胞、单核细胞百分比)者。

诊断标准与关键阈值

  • 原文未提及明确的诊断标准或预测模型决策阈值;模型输出用于预测RT-PCR阳性或阴性,但未给出临床应用的截断值。
  • RT-PCR阴性但仍有症状的患者,医院规定48小时后复查第二次拭子以确认阴性。

处置流程与药物剂量

  • 原文未提及基于该模型的具体处置流程或药物方案;研究目的为预测RT-PCR结果,未提供治疗推荐。

红旗征与不能漏的情况

  • 原文未提及需要立刻处理或不能漏诊的具体红旗征及对应处理。

研究设计与关键结果

  • 研究类型为回顾性单中心探索性模型开发研究,样本量199例,无外部验证;人群为急诊流感样症状成人,124例(62.3%)SARS-CoV-2阳性。
  • 使用TWIST算法从74项变量中筛选42项输入变量,训练多种机器学习系统;最佳模型准确率91.4%、敏感性94.1%、特异性88.7%。
  • 八种最佳机器学习系统平均性能:敏感性91.8%、特异性89.6%、全局准确率90.8%。
  • 5折交叉验证中最佳模型准确率87.7%、敏感性89.2%、特异性86.2%;全局平均敏感性87.6%、特异性75.4%、准确率81.5%。
  • 阳性组与阴性组比较:发热96.0% vs 73.3%(p<.001),咳嗽73.4% vs 52.0%(p=.004),胸部X线胸腔积液5.7% vs 17.3%(p=.01),COPD患病率4.0% vs 13.3%(p=.03)。

证据类型、等级与局限

  • 证据类型为单中心回顾性探索性模型开发研究,遵循TRIPOD报告规范,但未提供证据等级或推荐强度。
  • 局限包括:回顾性、单中心、便利样本200例、未预先进行样本量计算、输入变量多而样本量小带来过拟合风险;作者指出需更大规模研究确认。

对床旁实践的改变

  • 该模型仅基于急诊常规可获得的基础临床、影像和实验室数据,若经更大样本验证,可能辅助急诊早期预判SARS-CoV-2 RT-PCR结果并优化分诊与隔离决策。
  • 原文未提供模型临床应用的决策阈值或前瞻性验证结果,目前不能替代RT-PCR用于临床诊断或处置决策。
  • 研究未纳入<12岁儿童及未做白细胞分类计数的患者,模型不适用于这些人群。

指南或共识出处

  • 原文未提及具体指南或共识名称;研究遵循TRIPOD(Transparent reporting of a multivariable prediction model for individual prognosis or diagnosis)报告规范。
全文中译16 节 · 点击展开
本译文由 AI 依据开放获取原文逐段翻译,供学习参考,可能存在误差,请以原文为准。原文 © 原作者(PMC Open Access),按 CC BY 许可使用,本译文为翻译改编。出处:Scand J Trauma Resusc Emerg Med. 2020 Dec 1;28:113. doi: 10.1186/s13049-020-00808-8

背景

2019年底,一场当时来源不明的肺炎暴发,最终被证实源于中国湖北武汉,并随之蔓延至世界各地,于2020年2月到达意大利[1–3]。

一种新的β冠状病毒随后被命名为严重急性呼吸综合征冠状病毒2(SARS-COV-2),被确定为该流行病的病因[4]。SARS-COV-2感染在人群中具有广泛的临床表现谱[5],被命名为冠状病毒病2019(COVID-19)。初始症状非特异性,与其他季节性病毒性疾病相似,包括发热、干咳和乏力。这可能导致临床诊断几乎不可能实现。因此,病原学诊断依赖于逆转录聚合酶链反应(RT-PCR)检测SARS-COV-2的基因组。

RT-PCR存在若干重要局限性。首先,当前技术需要长达6–8小时才能获得可靠结果,且实验室往往无法承受超负荷工作。其次,并非所有医院都具备设备和人员来全天候运行检测。因此,拭子被送往其他机构,从而减慢了流程并使中心实验室不堪重负。第三,尽管存在典型症状,咽后壁拭子RT-PCR在疾病初期可能出现假阴性[6–8]。最后,该技术具有一定的成本,这可能意味着给卫生系统和患者带来相当大的经济负担。

这些局限性的直接后果是大量患者在急诊科等待结果所花费的时间,之后才能决定将其收治于何处,例如收治于专注于COVID-19患者的病房和重症监护室,或医院的“非感染”病房[2, 9–12]。这对于需要立即行气管插管和机械通气的危重患者尤为棘手。专业医护人员需要在急诊科救治这些患者,然而卫生系统在那里已经承受着巨大压力。

找到一种简便快速预测SARS-COV-2阳性或阴性的方法,将具有重要的临床价值。已有研究提出使用先进影像学(如胸部计算机断层扫描(CT))的算法[13, 14]。然而,并非所有医院或国家都能对每位患者进行CT扫描。

因此,我们研究的主要目标是开发一种机器学习模型,仅使用所有急诊科现有的基本临床、影像学和常规实验室数据来预测SARS-COV-2的RT-PCR结果。

我们假设使用人工神经网络(ANNs)和其他机器学习系统(MLS)能够获得SARS-COV-2 RT-PCR检测的准确结果,且这些系统未来可能得到应用。我们分析了不同ANNs和MLS的性能,以区分SARS-COV-2阳性或阴性患者,从而识别出表达最大量相关信息的变量。

方法

研究设计与参与者选择

这项回顾性、单中心研究获得了我们医院机构审查委员会的批准(编号3733)。由于研究的回顾性性质,豁免了获取个体患者知情同意的要求。虽然并非专门针对使用机器学习的模型而制定[15],但本研究遵循了个体预后或诊断多变量预测模型的透明报告(TRIPOD)指南[16]。

对2020年2月22日至2020年3月16日期间入住我院急诊科的所有患者进行了资格筛查。符合COVID-19的就诊症状(发热、咽痛、咳嗽、呼吸困难、胸痛、头痛、晕厥、乏力、关节痛、腹泻、恶心和呕吐)构成纳入标准。年龄<12岁以及在急诊科未进行白细胞分类计数评估(定义为五种白细胞类型的百分比:中性粒细胞、淋巴细胞、嗜酸性粒细胞、嗜碱性粒细胞和单核细胞)构成排除标准。

数据收集

关于急诊科入院情况的临床数据从我院患者数据管理系统中检索。数据包括年龄、性别、合并症的存在及类型、报告的症状以及当前正在服用的药物。每种药物被归入特定类别。

在我院,没有正式的检查表来收集病史和用药史。因此,如果急诊科医师明确记录,则合并症和用药情况被视为存在;否则如果未明确记录,则被视为不存在。此外,还收集了入急诊科时的生命体征(首次测量)、通气支持的存在及类型、常规进行的血液检查、主要心电图特征(窦性心律的存在及ST段异常)以及胸部X线片(任何类型肺实质受累的存在、胸腔积液的存在)等信息。

记录了SARS-COV-2的RT-PCR拭子结果。如果症状性患者的检测结果呈阴性,我院强制要求48小时后进行第二次拭子检测,并核查这些拭子以确认阴性。所收集变量的完整列表汇总于表1。

表1 研究变量(n = 74) 查看原表 ↗

统计分析与样本量

使用Shapiro-Wilk检验对所有数据进行方差一致性和分布正态性检验。正态分布数据以均值±标准差表示,而非正态分布数据以中位数和四分位距报告。二分类数据以百分比、发生频率汇总,并通过卡方检验进行比较。连续变量酌情通过Student T检验或Wilcoxon秩和检验进行比较。

使用Pearson和Spearman相关分析评估所收集变量(分别为连续变量和名义变量)与SARS-COV-2的RT-PCR结果之间的相关性。P值低于0.05被认为具有统计学意义。分析使用SigmaPlot v.12.0(Systat Software Inc.,美国)进行。

本研究在200例入住急诊科并接受SARS-COV-2检测的患者的便利样本上进行。

机器学习方法

训练与测试验证方案

需要预测的目标变量是急诊科进行的SARS-COV-2 RT-PCR结果。为了利用74个研究变量(表1)作为输入来预测和估计SARS-COV-2的RT-PCR结果,对WEKA数据挖掘软件[17–19]和Semeion研究中心存储库(Massimo Buscema, Deep Supervised ANNs, Semeion SW #12, version 33.0, 1999–2019)中可用的不同机器学习算法进行了训练。这些分类工具首先应用于使用训练和测试验证方案预测RT-PCR结果,步骤如下:将数据集细分为两个子样本A和B,每个子样本包含50%的记录,并且病例和对照(在我们的案例中为SARS-COV-2阳性和SARS-COV-2阴性)的比例相等。这两个子样本是通过应用TWIST算法获得的(即它们不是通过随机抽取获得的),以便创建两个对所有输入变量具有相似概率密度的子样本(见下文)。进行了同质性检查以确认两个子集在变量分布方面基本等效。在第一次运行中,A用作训练集,B用作测试集。

在训练集上应用ANN。在此阶段,ANN学习将输入变量与指示为目标的变量相关联。

训练阶段之后,算法产生的权重矩阵与用于训练的所有参数一起被保存并冻结。

然后将测试集展示给一个未经训练的孪生ANN(相同架构和基础参数),其具有与训练后ANN相同的权重矩阵,作为最终分类器。此操作对所有记录进行,结果(正确或错误分类)未传达给分类器。这允许评估训练后ANN的泛化能力。

在第二次运行中,另一个未经训练的ANN应用于子集B(用作训练子集),然后应用于子集A(用作测试子集)。

因此,结果与两个训练测试方案序列相关:A-B和B-A。

结果以灵敏度(阳性患者的正确分类)、特异度(阴性患者的正确分类)、全局准确率(灵敏度和特异度的算术平均值)表示。总体结果表示为两次实验的平均值。这种交叉程序允许使用训练后的算法对所有记录进行盲分类,确保模型对从未见过的记录的泛化能力。

新西兰怀卡托大学开发、在WEKA数据挖掘软件上可用的机器学习算法列于表2 [20–26],而两个ANN(自动量反向传播和正弦网络)[29, 30]在“监督ANN软件”中实现,该软件由意大利罗马Semeion研究中心开发(Buscema; Supervised ANNs. Semeion software #12, version 33.0)。表3显示了Semeion机器学习系统的主要特征。

然而,由于噪声输入属性有时会掩盖嵌入在其他属性中的微小有意义信息,因此在主测试的结果预测之前,使用剪枝程序作为预处理工具来消除噪声变量。为了执行该程序,应用了一种名为TWIST(带输入选择和测试的训练)的输入选择算法[38, 39]。该选择算法最近由意大利罗马Semeion研究中心开发(Buscema M (2006–2012) TWIST Input Search, Semeion software #39, version 5.1, 2006–2016)。

表2 WEKA软件包中机器学习系统的昵称 查看原表 ↗
表3 本研究中使用的Semeion机器学习系统的主要特征 查看原表 ↗

TWIST算法

如先前所示[40],TWIST算法是一种复杂算法,能够搜索全局数据集的最佳分布,将其分为两个最优平衡的子集,其中包含最少数量的输入特征,有助于实现最优模式识别。TWIST是一种基于一篇关于遗传掺杂系统论文的进化算法[19],该算法已应用于医学数据并取得了非常有前景的结果[40–44]。该算法的详细描述可在在线补充材料中获取。

5折交叉验证

除了训练和测试验证方案外,还应用了5折交叉验证方案[45],以便 also 用标准和常用的方法分析数据。数据集被随机分为5组(折),每组受试者数量相似。每个独特的组被用作留出集或验证数据集,其余组被用作训练数据集。在训练集上拟合的模型在验证集上进行评估。为每个所使用的机器学习系统创建了五个不同的模型,每个模型提供一个评估分数。5个模型的技能总结为平均灵敏度、特异度、总体准确率和平衡准确率。

模型校准评估

将成本曲线[46]应用于所研究的算法以评估模型校准(结果呈现在在线补充材料中)。

结果

347名患者符合纳入标准,148名患者存在排除标准(9名患者< 12岁,139名患者无白细胞分类计数),剩余199名患者进行分析。

人群描述和经典统计学

表4总结了整个研究人群(n = 199)和两个亚组的主要特征,即SARS-COV-2检测阳性(n = 124)和阴性(n = 75)的患者。记录的变量没有缺失数据。研究人群(n = 199)与因缺乏白细胞分类计数而被排除的患者(n = 139)之间的特征比较可在在线数据补充材料中找到(表S3)。

总体人群中位年龄为65 [46–78]岁,两个亚组分布相似(阳性患者和阴性患者分别为65 [49–77]岁 vs. 66 [38–82]岁,p = .94)。大多数患者为男性(63.8%),两个亚组之间无显著差异(62.9% vs. 65.3%,p = .85)。最常见的合并症为高血压(42.7%)和糖尿病(14.6%),在有无SARS-COV-2的患者之间患病率相似。在COVID-19患者中观察到慢性阻塞性肺疾病(COPD)的患病率较低(4.0% vs. 13.3%,p = .03)。

关于当前用药,与检测阴性的患者相比,阳性患者长期使用抗癫痫药和精神疾病药物的比例较低(分别为0.8% vs. 12.0%,p = .002和0.8% vs. 8.0%,p = .02)。此外,阳性亚组在到达急诊科之前接受抗生素治疗的比例较高(29.0% vs. 14.7%,p = .03)。

关于报告的症状和体征,发热和咳嗽在COVID-19患者中更为常见(分别为96.0% vs. 73.3%,p < .001和73.4% vs. 52.0%,p = .004)。

若干临床发现在两项人群研究之间差异有统计学意义(表4)。特别是,SARS-COV-2阳性患者的外体温度略高(37.8 ± 0.8 vs. 37.2 ± 1.0,p = <.001),胸部X线胸腔积液的患病率较低(5.7% vs. 17.3%,p = .01),全血细胞计数和白细胞分类方面存在显著差异(表4)。

表5总结了描述性变量与SARS-COV-2 RT-PCR结果之间的正、负线性相关指数。

表4 研究人群特征 查看原表 ↗
表5 与SARS-COV-2阳性正相关和负相关的研究变量 查看原表 ↗

使用机器学习算法预测RT-PCR结果

TWIST系统从原始属性中选择了42个变量。所选变量在表5中以星号标记。由此生成了包含42个输入属性和2个目标属性的全局数据集。此后,创建了两个最优子集,以应用上述训练和测试程序。

表6显示了将一组机器学习系统应用于TWIST系统所选变量所获得的结果。这些结果是两次训练-测试程序(A-B和B-A序列)的平均值。每次实验(A-B和B-A)的详细预测结果见在线补充材料中的表S1。

最佳机器学习系统达到了91.4%的准确率,灵敏度为94.1%(正确预测SARS-COV-2阳性),特异度为88.7%(正确预测SARS-COV-2阴性)。

表7显示了将选定数量的机器学习系统应用于TWIST系统所选变量所获得的结果。这些结果是K折交叉验证方案的五次训练-测试程序的平均值。每次实验的详细预测结果见在线补充材料中的表S2。

表6 使用Semeion(a)和WEKA(b)机器学习系统进行变量选择的预测结果 查看原表 ↗
表7 使用Semeion(a)和WEKA(b)机器学习系统的5折交叉验证方案预测结果 查看原表 ↗

讨论

在我们的探索性模型开发研究中,我们分析了意大利SARS-COV-2暴发前三周内,因症状符合COVID-19而入住伦巴第大区米兰最大医院急诊科的199例成年患者的数据。在本手稿中,我们描述了这一人群,并重点介绍了SARS-COV-2检测实际阳性患者与未阳性患者之间的差异。自疫情暴发以来,很少有人尝试应用人工智能快速预测SARS-COV-2的阳性/阴性,大多使用在中国人群中收集的CT影像和实验室结果[35, 47, 48]。尽管如此,我们展示了首个欧洲的尝试,并展示了仅使用全球绝大多数急诊科均可获得的基本临床数据,应用人工智能预测SARS-COV-2 RT-PCR结果的良好结果。在当前大流行期间,广泛应用类似的决策支持工具可能产生重大的临床和组织影响。

在我们的研究中,两个研究组之间观察到若干差异(表4)。然而,迄今为止,这些差异中的任何一项或它们的组合,均不能明确区分临床表现为相似的COVID-19患者与其他疾病患者。我们的数据强调了冠状病毒引起的白细胞分类计数改变这一关键发现(表4)。一方面,与其他报道[49–52]相反,我们未观察到明显的淋巴细胞减少,可能是因为病毒性疾病处于早期阶段。另一方面,其他亚型如嗜酸性粒细胞可能在COVID-19中发挥关键作用[53]。

将人工智能应用于我们的数据集时,特别是人工神经网络(ANN)和机器学习系统(MLS),我们能够以高灵敏度和特异度预测SARS-COV-2的RT-PCR结果(表6)。

人工神经网络通过理解变量之间的关系来进行预测,特别是通过应用非线性关系[40, 54, 55]。这些系统最初从一组已知解的数据中学习(训练)。此后,受人脑分析过程的启发,这些网络能够重建可能存在于复杂数据集背后的不精确规则(测试)。机器学习系统,特别是ANN,能够非常高效地分析真实世界数据。其评估的内部效度由独特的严格验证方案提供,这些方案在经典统计学中很少使用[54, 56, 57]。

在本手稿中,基于42个简单变量,能够以合理准确度预测SARS-COV-2阳性或阴性状态。这是通过使用TWIST算法实现的,该算法目前不如K折、提升法等其他技术那样普及。然而,在过去15年中,它已在不同背景下广泛使用[18, 58, 59]。其扩散程度较低的部分原因是TWIST编程非常复杂,因为它包含两种进化算法,二者协同工作,管理大量ANN、kNN和朴素贝叶斯算法群体。因此,TWIST的执行需要用C语言编程才能足够快。因此,由于其复杂性和所需的运行时间,TWIST不适合用Python、R或类似语言编程。

TWIST系统使最佳机器学习系统达到91.4%的总体准确率:94.1%的敏感性(正确预测SARS-COV-2阳性)和88.7%的特异性(正确预测SARS-COV-2阴性)。考虑八个最佳机器学习系统,其平均性能如下:敏感性91.8%,特异性89.6%,总体准确率90.8%。

比较数学部分中说明的两种测试流程(A-B和B-A),这两种实验之间预测值的差异很小,因此合理地排除了模型的过拟合[16]。此外,用于评估模型校准的成本曲线也显示出可接受的结果(在线补充材料图S2-S5)。

为了用更流行和广泛应用的流程分析我们的数据集,我们应用了5折交叉验证方案,使用选定数量的机器学习系统(表7)。通过这种分析,最佳机器学习系统获得的总体准确率为87.7%,敏感性和特异性分别为89.2%和86.2%。总体平均性能如下:敏感性87.6%,特异性75.4%,总体准确率81.5%。

将这些结果与相同机器学习系统使用AB-BA训练-测试流程获得的结果(见表6)进行比较,后者允许获得略好的预测结果,合理归因于记录的最佳分割,平均性能为89.1%的敏感性、82.2%的特异性和85.7%的总体准确率。K折方案获得的结果的高方差与使用TWIST方案的相同结果的低方差提示,K折方案在此类数据上受到高极化影响。这就是为什么我们选择依赖训练和测试子集中记录的优化分布,而不是随机分配。尽管如此,应用标准K折交叉验证,即一个广泛可用的系统,也能够准确预测SARS-COV-2的RT-PCR结果。

分析AI选择的变量是有用的,因为它们确实携带特定的临床信息。如上所述,白细胞及其分类计数确实非常有信息价值。

事实上,总白细胞计数(R = − 0.46)、淋巴细胞(R = 0.26)和嗜酸性粒细胞(R = − 0.34)与COVID-19的存在呈负相关或正相关,并被纳入模型。

此外,最终模型还包括与RT-PCR结果相关性非常低的变量,如呼吸困难(R = − 0.07)、嗜碱性粒细胞(R = -0.06)、平均红细胞血红蛋白(R = − 0.06)、无创通气(R = − 0.05)、单核细胞(R = 0.05)、年龄(R = 0.04)、女性(R = 0.02)和头痛(R = 0.02)。这些变量被纳入模型的事实证实了人工神经网络(ANN)处理高度非线性函数的能力。

其他作者已将人工智能用于SARS-COV-2的诊断。Rao等人将人工智能框架应用于基于手机的调查,仅依据院前临床症状和人口学特征来评估SARS-COV-2感染的概率[60]。三个不同的研究团队尝试使用包括CT扫描在内的多种变量来预测SARS-COV-2阳性[14, 47, 61]。Li等人通过深度学习分析胸部CT扫描,以区分SARS-COV-2引起的病毒性肺炎与其他肺部疾病[62]。另外两个研究团队仅使用实验室检查结果开发了机器学习模型和在线应用程序[35, 48]。

我们的模型与上述模型显著不同。首先,它依赖于几乎所有急诊科都能获得的基本临床信息。每位患者在入院时均可快速获取所需信息。因此,我们决定在模型中纳入胸部X线检查而非CT。的确,尽管CT在识别病毒性肺炎典型改变方面无疑更为敏感[13],但并非每位SARS-COV-2疑似患者都能接受CT扫描。其次,我们的研究是首个分析欧洲国家数据的研究。尽管迄今尚无证据,但不同种族对病毒入侵可能表现出略有不同的反应。

局限性

这项探索性研究确实存在若干局限性。首先,它是一项回顾性、单中心研究。其次,该研究在200例患者的便利样本上进行。这一方面有两个重要含义:i)在这项探索性模型开发研究中,未进行正式的先验样本量确定;ii)较小的样本量和较多的输入变量存在过拟合的内在风险[37]。另一个局限性是较高的排除率(40%),可能导致选择偏倚。然而,患者被排除的主要原因是缺乏关于白细胞分类计数的数据。在大流行初期,该检查并非我们急诊科标准生化检测组合的一部分。该实验室检查的临床意义很快变得明显,因此在大流行后期该检测被频繁加入生化检测组合。鉴于这一解释以及纳入与排除患者之间的比较(表S3),我们认为可以安全地排除选择偏倚的存在。此外,由于组织方面的原因,我们未能进行外部验证,而这无疑会增强我们的结果。此外,一些基本临床数据(如动脉血气分析)并非所有患者均可获得,因此该信息未纳入模型。鉴于COVID-19患者典型的严重低氧血症,可以设想将这些变量加入系统可能会进一步提高其准确性。最后,虽然关于SARS-COV-2的RT-PCR检测准确性尚无确定性数据[63],但多项研究描述了一定比例的假阴性结果[6–8]。然而,每个阴性结果均在48小时后重新检测。这一方法学方面的设计应能降低假阴性结果的风险。

可能的临床和组织管理意义

面对高度传染性的病毒暴发,需要在政治、经济、社会和卫生系统重组方面做出复杂的努力[64, 65]。一个基本方面是制定清晰的管理方案,以便将感染者与非感染者(即因其他临床情况入院的患者)分开。事实上,建立明确分开的路径至关重要,以避免病毒感染在医院内传播。因此,一个快速可靠地识别SARS-COV-2感染患者的系统是根本性的。目前,诊断的金标准是检测SARS-COV-2基因组的RT-PCR assay[9]。这种类型的分子检测当然有几个局限性。在意大利暴发的第一个月,样本处理变得更加高效,理论上减少了获得结果所需的技术时间。尽管如此,诊断延迟的问题仍然存在。这是由于RT-PCR仪器的可用性,考虑到暴发期间的高需求。此外,转诊医院的实验室,如我们的实验室,还分析来自未配备SARS-COV-2检测的小型医院的样本。最后,当然,RT-PCR不是完美的检测,已有假阴性结果的报道,即使在强烈临床怀疑COVID-19的情况下也是如此[6–8]。

由于这些原因,应用AI作为COVID-19诊断的快速决策支持工具,从而加速将感染者与非感染者分拣,将具有很大的临床帮助。事实上,一个简单的在线软件,输入几乎每个急诊科都能轻松获得的基本临床数据,可以应用训练过的ANN以高准确度预测RT-PCR结果。当然,从该软件获得的结果应与可用的临床数据相结合。

AI在临床实践中的应用仍然有限,原因在于其复杂性以及医院内技术基础设施和支持的可用性有限。当然,这对于资源有限的小型中心可能尤其麻烦。能够整合本手稿中所含信息的决策支持软件,理想情况下可以直接从电子患者管理系统检索数据。否则,数据可以手动输入在线软件,然而这会显著增加错误风险。因此,当地信息技术基础设施的积极支持和合作是根本性的,以便将来能够将AI整合到临床实践中。

最后,可以想象,从本研究中获得的信息在当前大流行结束后也可能有用。事实上,SARS-COV-2很可能成为一种季节性病毒。在这方面,早期识别将是降低进一步流行暴发风险的关键因素。

结论

总之,我们的探索性研究表明,基本临床数据可能足以让经过适当训练的人工神经网络(ANN)和机器学习(MLS)算法以良好准确度预测严重急性呼吸综合征冠状病毒2(SARS-COV-2)的阳性和阴性。如果在更大规模的多中心研究中得到证实,这可能具有重要的临床和组织意义。事实上,虽然不会直接改变COVID-19患者的治疗,但它可以减少患者在急诊科不必要地等待逆转录聚合酶链反应(RT-PCR)结果的时间,可以减少重症监护人员的工作量,并最终降低医疗系统崩溃的风险。

补充信息

附加文件1。附加材料、方法和结果。

参考来源

  1. Langer T, Favarato M, Giudici R, et al. Development of machine learning models to predict RT-PCR results for severe acute respiratory syndrome coronavirus 2 (SARS-CoV-2) in patients with influenza-like symptoms using only basic clinical data. Scand J Trauma Resusc Emerg Med. 2020. PMID: 33261629. doi:10.1186/s13049-020-00808-8
  2. 全文:PMC7705856(PMC 开放获取,CC BY)https://pmc.ncbi.nlm.nih.gov/articles/PMC7705856/

供执业医师抢救与诊疗参考,不替代临床判断;剂量请结合体重、肝肾功能和本院药品规格复核,以指南原文为准。