Risk Factors of Mortality in Hospitalized Patients With COVID-19 Applying a Machine Learning Algorithm

Open Respiratory Archives

Uxio Calvo-Alvarez¹  Carlos Rábade²  Francisco Javier Salgado³  José Martín Carreira⁴  María José Ginzo-Villamayor⁵  Gema Barbeito⁵  Carmen Diego⁶  Irene Nieto-Codesido⁶  Z. Hammouri⁶  Miguel Ángel Gonzalez-Perez⁷  Francisco Javier Gonzalez-Barcala⁸  Narmeen Mallah⁹ 

[1] Corresponding author.;Translational Research In Airway Diseases Group (TRIAD)-Health Research Institute of Santiago de Compostela (FIDIS), Spain;Departamento de Estadística, Análisis Matemático y Optimización, Facultad de Matemáticas, Universidad de Santiago de Compostela, Spain;Department of Biochemistry and Molecular Biology, Faculty of Biology-Biological Research Centre (CIBUS), Universidade de Santiago de Compostela, Spain;Department of Psychiatry, Radiology, Public Health, Nursery and Medicine, Universidad de Santiago de Compostela, Spain;Department of Respiratory Medicine, University Hospital of Ferrol, Spain;Department of Respiratory Medicine, University Hospital of Santiago de Compostela, Spain;Microbiology Department, University Hospital of Santiago de Compostela, Spain;University of Santiago de Compostela, Spain;

关键词: Pronóstico;    Gravedad;    Edad;    Sexo;    Aprendizaje automático;   

DOI  :  

来源: DOAJ

【 摘 要 】

Introduction: Risk stratification of patients with COVID-19 can be fundamental to support clinical decision-making and optimize resources. The objective of our study is to identify among the routinely tested clinical and analytical parameters those that would allow us to determine patients with the highest risk of dying from COVID-19. Material and methods: We carried out a retrospective cohort multicentric study by consecutively, including hospitalized patients with COVID-19 admitted in any of the 11 hospitals in the healthcare network of HM Hospitals-Spain. We collected the clinical, demographic, analytical, and radiological data from the patient's medical records.To assess each of the biomarkers’ predictive impact and measure the statistical significance of the variables involved in the analysis, we applied a random forest with a permutation method. We used the similarity measure induced by a previously classification model and adjusted the k-groups clustering algorithm based on the energy distance to stratify patients into a high and low-risk group. Finally, we adjusted two optimal classification trees to have a schematic representation of the cut-off points. Results: We included 1246 patients (average age of 65.36 years, 62% males). During the study one hundred sixty-eight patients (13%) died. High values of age, D-Dimer, White Blood Cell, Na, CRP, and creatinine represent the factors that identify high-risk patients who would die. Conclusions: Age seems to be the primary predictor of mortality in patients with SARS-CoV-2 infection, while the impact of acute phase reactants and blood cellularity is also highly relevant. Resumen:Introducción: La estratificación del riesgo de los pacientes con COVID-19 puede ser fundamental para apoyar la toma de decisiones clínicas y optimizar los recursos. El objetivo de nuestro estudio es identificar, entre los parámetros clínicos y analíticos probados de forma rutinaria, aquellos que nos permitirían determinar a los pacientes con mayor riesgo de morir por COVID-19. Material y métodos: Se realizó un estudio multicéntrico de cohorte retrospectiva de forma consecutiva, incluyendo pacientes hospitalizados con COVID-19 ingresados en cualquiera de los 11 hospitales de la red sanitaria de HM Hospitales-España.Los datos clínicos, demográficos, analíticos y radiológicos se recopilaron de las historias clínicas de los pacientes.Para evaluar el impacto predictivo de cada uno de los biomarcadores y medir la significación estadística de las variables involucradas en el análisis, se aplicó un bosque aleatorio con un método de permutación. Utilizamos la medida de similitud inducida por un modelo de clasificación previo, y ajustamos el algoritmo de agrupación de grupos k en función de la distancia de energía para estratificar a los pacientes en un grupo de alto y bajo riesgo. Finalmente, ajustamos 2 árboles de clasificación óptimos para tener una representación esquemática de los puntos de corte. Resultados: Se incluyeron 1.246 pacientes (edad promedio de 65,36 años, 62% varones). Durante el estudio murieron 168 pacientes (13%). Los factores que identifican a los pacientes de alto riesgo de mortalidad son los valores elevados de edad, dímero D, glóbulos blancos, Na, PCR y creatinina. Conclusiones: La edad parece ser el principal predictor de mortalidad en pacientes con infección por SARS-CoV-2, mientras que el impacto de los reactantes de fase aguda y la celularidad sanguínea también es muy relevante.

【 授权许可】

Unknown