爱尔兰急性医院呼吸道感染（2016-2021）的临床特征与机器学习预测诊断探索

本研究针对COVID-19大流行前后爱尔兰急性医院中呼吸道感染（RTI）患者的临床特征变化及诊断预测难题，利用医院住院查询（HIPE）大数据，结合多变量逻辑回归、随机森林和极端梯度提升（XGBoost）等机器学习（ML）技术，揭示了疫情期间RTI患者住院时间（LOS）延长和死亡率上升的趋势，并成功识别出区分COVID-19与其他RTI的关键预测因子（如喘息、吸烟和心脏病）。该研究为临床快速分诊和精准治疗提供了数据支持，对提升公共卫生应急响应能力具有重要参考价值。

　　

呼吸道感染（RTI）一直是全球范围内发病和死亡的主要原因之一，尤其是在老年人和儿童中影响更为显著。每年有超过400万人死于RTI，其中下呼吸道感染位列全球死因第四位。在爱尔兰，肺炎导致的死亡占比曾达5%，而COVID-19大流行后，呼吸道感染的诊疗和防控面临新的挑战。疫情期间，医院就诊压力剧增，患者住院时间延长、死亡率上升，临床诊断与分诊也面临巨大困难。因此，深入分析大流行前后RTI的流行病学特征，并利用先进技术辅助诊断与预测，成为当前公共卫生和临床医学研究中亟待解决的问题。

在此背景下，研究人员Doaa Amin、Gerry Hughes和Akke Vellinga合作，利用爱尔兰55家急性医院2016至2021年的住院数据，开展了一项大规模回顾性研究。该研究旨在探索COVID-19大流行前后因RTI住院患者的特征变化，并借助监督机器学习方法预测RTI类型，特别是区分COVID-19感染与其他呼吸道感染。研究成果发表在《Journal of Infection and Public Health》，为理解RTI的疾病负担及临床预测提供了重要证据。

为开展这项研究，作者主要采用了以下几种关键方法：首先，从爱尔兰医院住院查询（HIPE）系统中提取了2016–2021年间共1,133,385例感染患者的临床、人口统计学和管理数据，所有诊断均依据国际疾病分类第十版（ICD-10）进行编码；其次，研究运用了多变量逻辑回归、随机森林和极端梯度提升（XGBoost）三种机器学习模型，以预测2020–2021年间RTI诊断（COVID-19与其他RTIs）；此外，通过80%/20%的训练/测试分割及正则化技术来验证模型性能并避免过拟合；最后，利用准确率、精确率、特异性、敏感性和受试者操作特征曲线下面积（AUROC）等指标评估模型表现。所有分析均通过Python 3.12.2完成。

研究结果部分主要包括以下内容：

在“研究人群特征”中，数据显示，在1,133,385例感染患者中，43.3%患有RTI，其中65.2%发生在疫情前（2016–2019），34.8%发生在疫情期间（2020–2021）。与疫情前相比，疫情期间RTI患者的中位住院时间从4天增加至5天（其他RTIs）和6天（COVID-19），死亡率从3.3%上升至7.6%（COVID-19感染为11.3%，其他RTIs为3.5%）。此外，5.2%的COVID-19感染为医院获得性。

在“疫情期间的RTI特征”中，研究发现，COVID-19患者通常较其他RTI患者更年轻（75%年龄在45岁以上），且更多症状被记录（28.2% vs 11.9%）。COVID-19及其他RTIs更常作为次要诊断记录。

在“预测RTI诊断”中，多变量逻辑回归显示，非COVID-19的RTI诊断与喘息（OR=3.2）、吸烟（OR=1.1）和心脏病（OR=1.1）显著相关；而COVID-19诊断则与气短、咳嗽、发热、胸痛、恶心呕吐、不适与疲劳、肥胖、全身炎症反应综合征（SIRS）、心动过缓、肾脏疾病和心动过速等相关。随机森林和XGBoost模型在准确率（0.59和0.60 vs 0.58）和敏感性（0.93和0.76 vs 0.57）方面略优于逻辑回归，AUROC均达0.65，表明模型具有良好的区分能力。

在讨论与结论部分，作者强调，疫情期间RTI患者的住院时间和死亡率均显著增加，这与国际数据一致但存在国别差异。研究表明，监督机器学习模型能有效区分COVID-19与其他RTI，其中喘息、吸烟和心脏病是关键的鉴别因素。这一发现对临床快速分诊、患者管理及治疗计划制定具有重要指导意义。例如，肥胖和肾脏疾病作为COVID-19的预测因子，提示需加强体重管理和早期干预；而心脏病和吸烟与其他RTIs的关联，则凸显了戒烟计划和个性化治疗的必要性。尽管数据存在类别不平衡和记录不全等局限，但模型的敏感性和AUROC表明其仍具有实际应用价值。未来研究可进一步探讨大流行后期RTI的特征变化，以优化预测模型并支持公共卫生决策。

总之，该研究不仅揭示了COVID-19大流行对爱尔兰急性医院RTI患者管理的深远影响，还展示了机器学习在医疗预测中的巨大潜力，为构建更具韧性的医疗卫生系统提供了科学依据。