罗格斯大学研究人员开发开创性机器学习模型以预测COVID-19严重程度

在抗击COVID-19大流行的重大飞跃中，罗格斯大学的研究人员公布了一种开创性的机器学习模型，能够预测冠状病毒病例的严重程度。该六因素模型由一支 dedicated 科学家团队开发，提供了一种评估患者预后的突破性方法，允许更个性化和高效的医疗保健。

使用六因子机器学习模型预测COVID-19严重程度

在David Natanov（罗伯伍德约翰逊医学院的一名学生，也是该项目的主要作者）领导的一项最新研究中，一种新的机器学习模型已成为抗击COVID-19的希望之光。认识到该病毒带来的独特挑战，Natanov及其团队试图解决COVID-19的影响与其他呼吸道疾病相比存在的异常性。

这六个关键变量统称为PLABAC（血小板计数、乳酸、年龄、血尿素氮、天冬氨酸氨基转移酶和C反应蛋白），被确定为COVID-19病例死亡可能性的关键指标。与以往经常依赖医院实验室难以获得的技术的研究不同，罗格斯大学的研究人员在疫情高峰期从罗伯伍德约翰逊大学医院收集了900多例病例的数据。

鉴于早期模型（如用于肺炎的CURB-65）的局限性，Natanov强调有必要建立一个高效且易于获取的COVID-19专用模型。在对包括77个变量在内的多个模型进行严格测试后，PLABAC成为最具预测性的变量组合。

对于医院而言，实施这一模型意味着患者护理方式的革命性转变。Natanov强调了其客观分析入院患者的能力，使医生能够根据患者的具体情况量身定制护理方案。在新变体出现的情况下，这一点变得尤为关键，因为COVID-19的不可预测性仍然是一个持续的威胁。

Byron Avihai是Natanov团队的一名博士生和研究人员，他强调了该项目在大规模数据收集和患者病历分析方面的重要性。经过一年半的完善，所开发的数据收集方法有望在未来应用于各种疾病。Avihai设想将研究扩展到观察长新冠及其决定因素。

持续监测的重要性

随着罗格斯大学研究团队庆祝这一里程碑，他们承认病毒不断演变的性质所带来的持续挑战。Avihai指出病毒不断变异，强调了医疗保健提供者密切监测的重要性。值得注意的是，讨论转向了Omicron变体的独特特征，强调其比前代变体更倾向于感染孕妇。

Natanov希望PLABAC模型能够进入医院，使家庭能够更准确地评估亲人的病情。该团队致力于将COVID-19作为临床实体进行研究，认识到该模型在各种医疗环境中可能产生的广泛积极影响。

罗格斯大学研究人员的六因素机器学习模型代表了在抗击COVID-19大流行持续斗争中的重大进展。随着医院继续应对不断演变的变异株和潜在重叠爆发的挑战，实施此类预测模型有望为患者护理提供更高效和定制化的方法。这种创新方法不仅有助于应对当前的大流行挑战，也为未来的传染病管理带来了希望，标志着医疗战略的范式转变。