编辑推荐：
为解决 COVID-19 重症风险预测问题，研究人员基于逻辑回归、Cox 回归、支持向量机（SVM）和随机森林算法构建预测模型。结果显示 SVM 模型预测准确率最高，氧合指数（OI）是关键预测指标。该研究为临床决策提供依据。
在全球公共卫生领域，疾病的爆发总是让人猝不及防。世界卫生组织警告，一种由未知病原体引起的不可预测的传染病 ——“Disease X” 可能爆发，而 COVID-19 很可能就是首个 “Disease X”。面对这样的潜在危机，提前做好疫情防控准备至关重要。以往的 COVID-19 预测模型存在诸多问题，有的利用单一数据来源，预测准确性受限；有的深度学习模型虽准确率高，但缺乏临床可解释性，且数据获取困难。因此，为了更精准地预测 COVID-19 重症风险，为临床决策提供有力支持，天津大学等机构的研究人员开展了相关研究。该研究成果发表在《BMC Public Health》上。
研究人员开展的研究主要运用了以下关键技术方法：从天津 6 家医疗机构收集了 1485 例 COVID-19 住院患者的临床特征数据（包括 10 个基础护理变量和 40 个实验室检测变量）；运用逻辑回归（LR）、Cox 回归、支持向量机（SVM）和随机森林（RF）算法构建预测模型；通过 5 折交叉验证和网格搜索法对模型超参数进行调优；利用 SHapley Additive exPlanation（SHAP）对模型进行解释 。
下面来看具体的研究结果：
- 数据处理与变量筛选：研究人员收集了大量患者数据，对 50 个临床变量进行分析。通过 P 值分析、临床专家共识、文献回顾和模型迭代分析等方法，最终筛选出 14 个代表性变量。这些变量相互之间相关性较弱，可作为独立变量代入模型。同时，对缺失数据进行了相应处理。
- 预测模型构建与评估：将数据集按 7:3 分为训练集和测试集，分别用 4 种算法构建快速有效预测模型（REPM）和准确综合预测模型（ACPM）。结果显示，SVM 在 REPM 任务中表现最佳，预测准确率达 98.45%，AUC 为 0.994 ；LR 在 ACPM 任务中预测准确率最高，为 98.23% 。整体上，SVM、LR 和 RF 的预测性能优于 Cox 回归。
- 模型预测变量分析：通过 SHAP 分析，发现氧合指数（OI）是 SVM 模型中最重要的预测变量，其次是混淆、呼吸频率（RR）和年龄。OI 低于 300 mmHg 时，患者重症风险显著增加。
在研究结论与讨论部分，SVM 模型展现出卓越的预测能力，其在 REPM 预测任务中的高准确率、高灵敏度和高特异性，以及高 AUC 值，均优于其他对比模型。这得益于研究使用的多中心大样本数据，使模型能学习到更细微的模式和关联。同时，研究明确了 OI 是 COVID-19 重症风险的关键预测指标，它反映了肺部气体交换功能，对指导临床治疗，如判断是否需要氧疗或机械通气具有重要意义。
然而，该研究也存在一定局限性。数据仅来自天津地区的 6 家医院，模型的普适性可能受到地域因素的限制，未来需要在更多不同地区进行验证。此外，模型评估指标相对单一，主要集中在预测准确性上。但总体而言，该研究构建的预测模型具有较高的准确性和可解释性，模型所需变量易于获取，有助于医生更准确地预测患者病情进展，为构建疾病风险预测模型提供了重要的方法和技术指导，对降低 COVID-19 重症率和死亡率具有重要意义。
