机器学习模型揭示慢性用药与COVID-19临床结局的关联：基于13.7万患者的药物保护效应分析

本研究通过机器学习模型分析13.7万COVID-19患者数据，揭示ACE抑制剂(ACEi)、ARBs和二甲双胍等慢性用药对降低重症风险的潜在保护作用，为临床用药决策提供循证依据。研究采用XGBoost算法构建预测模型（AUC达0.89），发现高血压患者持续使用ACEi/ARBs可降低28%死亡率，老年糖尿病患者使用二甲双胍显著改善预后。

　　

COVID-19大流行期间，慢性病患者面临双重挑战：基础疾病管理难度增加，而常用药物与感染预后的关系尚不明确。特别是心血管药物如ACE抑制剂(ACEi)和ARBs，早期研究曾引发"是否加剧COVID-19风险"的争议。与此同时，临床观察发现糖尿病患者使用不同降糖药可能产生截然不同的结局。这些关键问题直接关系到全球数亿慢性病患者的用药安全，亟需大规模数据验证。

西班牙巴塞罗那Vall d'Hebron研究所（VHIR）的Berta Miro团队联合多家机构，利用加泰罗尼亚地区13.7万COVID-19患者的电子健康记录，首次采用机器学习方法系统评估了慢性用药与感染结局的关联。这项发表在《International Journal of Clinical Pharmacy》的研究，通过eXtreme Gradient Boosting(XGBoost)算法构建预测模型，结合SHAP值解析药物影响，最终证实ACEi、ARBs和二甲双胍(biguanides)等药物不仅安全，还可能降低重症风险。

研究团队采用三项核心技术：1) 基于PADRIS系统的多源医疗数据整合，涵盖诊断代码(ICD-10)和药物分类(ATC)；2) XGBoost机器学习框架进行医院入住率、ICU转入和死亡率预测，采用十折交叉验证优化模型；3) SHapley Additive exPlanations(SHAP)方法解析关键药物特征贡献度。特别针对高血压、糖尿病和血脂异常患者开展亚组敏感性分析。

模型性能与年龄差异
XGBoost模型在18-65岁组表现优异，死亡率预测AUC达0.89(95%CI 0.85-0.92)，但>65岁组预测效能下降(AUC 0.65)。这表明老年患者预后受更多复杂因素影响。

关键药物特征
SHAP分析显示：

• 系统性皮质醇(OR 15.39)和免疫抑制剂(如利妥昔单抗OR 18.91)显著增加死亡风险
• ACEi/ARBs在整体队列中显示矛盾信号，但亚组分析揭示对高血压患者的保护效应(OR 0.78-0.8)
• 二甲双胍使>65岁糖尿病患者死亡率降低21%(OR 0.79)，而DPP4抑制剂增加年轻患者死亡风险(OR 3.03)

社会经济因素影响
模型识别出低收入与不良预后显著相关，凸显健康不平等在疫情中的放大效应。

这项研究为COVID-19时代的慢性病管理提供了重要循证依据：首先，机器学习证实了电子健康记录用于公共卫生研究的可行性；其次，ACEi/ARBs和二甲双胍的保护效应支持疫情期间不应随意更换这些基础用药；最后，建立的预测框架可低成本扩展至其他传染病研究。值得注意的是，老年患者模型的较低效能提示需要开发更精细的评估工具。这些发现不仅缓解了早期关于RAS系统药物的安全性争议，更为临床医生提供了风险分层和精准用药的决策支持。