Artificial Intelligence (AI) Based Prediction of Mortality, for COVID-19 Patients

对于严重感染新冠肺炎的患者，识别高风险患者并预测生存和是否需要重症监护（ICU）至关重要。大多数提出的模型未得到充分报告，使其难以复制，并且在存在数据/类别不平衡的情况下容易产生高风险偏差。本研究探究了九种机器和深度学习算法与两种广泛使用的特征选择方法相结合的表现，以预测代表死亡率、ICU需求和通气天数的最终状态。使用五折交叉验证进行训练和验证。为了减少偏差，训练和测试集被分开，保持类似的分布。仅有122个特征中的10个被发现对预测模型有用，其中住院期间急性肾损伤特征最为重要。算法的表现取决于特征数量和数据预处理技术。LSTM在预测最终状态和ICU需求方面表现最佳，准确率、灵敏度、特异度和AUC分别为90%、92%、86%和95%。DNN在预测通气天数方面表现最佳，准确率为88%。考虑到所有因素和限制，包括临床发病确切时间点的缺失，通过精心选择特征的LSTM可以准确预测最终状态和ICU需求。DNN在预测通气天数方面表现最佳。选择适当的机器学习算法和平衡数据，可以准确预测死亡率、ICU需求和通气支持。这种模型在紧急情况和流行病中非常有用，可以提供及时和精确的帮助。

研究如何使用机器学习算法预测COVID-19患者的生存率、ICU需求和通气天数。

使用9种机器和深度学习算法与两种特征选择方法结合，预测COVID-19患者的生存率、ICU需求和通气天数。LSTM在预测最终状态和ICU需求方面表现最佳，DNN在预测通气天数方面表现最佳。

仅使用10个特征进行预测建模，其中急性肾损伤是最重要的特征。LSTM在预测最终状态和ICU需求方面的准确性、灵敏度、特异度和AUC分别为90％，92％，86％和95％。DNN在预测通气天数方面的准确性为88％。

最近的相关研究包括： 1. Hu等人的“基于深度学习的COVID-19患者生存预测模型” 2. Yan等人的“COVID-19患者的机器学习预测模型”