基于机器学习算法的COVID-19住院患者病情进展预测模型构建与验证：一项巴西人群队列研究

本研究针对COVID-19住院患者预后预测的临床难题，通过回顾性队列分析（n=301）开发了包含D-二聚体、尿素等8项关键指标的随机森林回归模型，其ROC AUC达0.795，可准确预测41.8%的ICU转归/死亡复合终点，为临床决策提供量化工具（详见https://pedrobrasil.shinyapps.io/INDWELL/）。

　　

随着全球COVID-19确诊病例突破6亿，医疗系统持续面临重症患者分诊压力。尽管疫苗接种显著降低了重症率，但住院患者中仍有22.9%会进展至危重状态，尤其在巴西等资源不均地区，早期识别高风险患者成为临床痛点。现有预测模型多基于欧美人群开发，且鲜少整合凝血功能指标与机器学习算法，在变异株流行和疫苗接种背景下的适用性存疑。

来自复旦大学和巴西D'Or医院的研究团队在《Global Epidemiology》发表了一项突破性研究。该团队收集了2021-2022年巴西两家医院301例住院患者的28项临床指标，创新性地对比了惩罚性逻辑回归、随机森林分类与回归三种算法。研究采用交叉验证和多重插补处理缺失数据，通过不确定区间法确定临床决策阈值。关键技术包括：1）多中心回顾性队列设计（Niterói市两家医院）；2）LASSO弹性网络正则化筛选变量；3）随机森林算法优化；4）基于RALE评分系统的影像学量化。

研究结果显示，随机森林回归模型以最优校准性能（斜率1.079）脱颖而出。8个核心预测因子中，D-二聚体（反映高凝状态）贡献度最高，其次为尿素（肾功能）、Charlson指数（合并症负荷）和脉氧饱和度（SpO₂）。值得注意的是，放射学评分（RALE）与影像特征存在显著交互作用——肺实变患者的风险概率达65%。模型在区分低/高风险组时表现优异（AUC 0.795），但0.43-0.63为"灰色决策区间"。

讨论部分强调，该模型首次系统整合了巴西人群特有的疫苗接种模式（以科兴疫苗为主）和多变异株流行背景。相比传统逻辑回归的28个变量，精简后的模型更适用于资源有限地区。研究同时揭示了疫苗接种状态对住院后预后影响微弱，而凝血-炎症指标（如RDW）的预测价值被长期低估。作者开发的在线计算器实现了临床转化，但指出随着Omicron变异株致病力减弱，决策阈值可能需要动态调整。

这项研究为COVID-19精准医疗提供了重要工具，其方法论创新（如处理非线性效应的多项式转换）对其他传染病的预后研究具有借鉴意义。未来需在未接种人群和新型变异株中进一步验证模型的普适性，并探索器官特异性衰竭的预测模块开发。