机器学习从电子健康记录中识别长期新冠模式
Machine learning identifies long COVID patterns from electronic health records.
PubMed 文献 · Nat Med · 2023-01-01
该研究应用机器学习算法,从感染SARS-CoV-2后30至180天内出现急性期后遗症的患者的电子健康记录中,识别出四种可重复的长期新冠临床亚表型;这些模式对长期新冠的治疗和管理具有意义。
要点
- 机器学习可从电子健康记录中识别长期新冠的四种可重复临床亚表型。
- 分析对象为感染后30至180天内出现急性期后遗症的患者。
- 这些亚表型对长期新冠的治疗和管理具有意义。
核心结论
- 机器学习算法从电子健康记录中识别出四种可重复的长期新冠临床亚表型,这些模式对长期新冠的治疗和管理具有意义。
研究设计与样本
- 研究应用机器学习算法,分析感染SARS-CoV-2后30至180天内出现急性期后遗症患者的电子健康记录。
主要发现
- 机器学习算法识别出四种可重复的长期新冠临床亚表型。
临床怎么用
- 原文指出这些模式对长期新冠的治疗和管理具有意义,未据此给出具体推荐。
局限性
- 原文未报告局限性。
以上解读依据论文摘要(全文未开放获取或许可不允许翻译转载)。
原文
A machine learning algorithm identifies four reproducible clinical subphenotypes of long COVID from the electronic health records of patients with post-acute sequelae of SARS-CoV-2 infection within 30–180 days of infection; these patterns have implications for the treatment and management of long COVID.
来源:Nat Med,查看原文。版权归原作者所有。
引用
- Machine learning identifies long COVID patterns from electronic health records. Nat Med. 2023. PMID: 36639563. doi:10.1038/s41591-022-02130-5
供执业医师工作参考,不替代临床判断;数值与分级以指南原文为准。