《Clinical and Translational Science》:Analysis of Virologic and Clinical Predictors for Hospitalization, Supported by Machine Learning, in a Phase 3 Molnupiravir COVID-19 Treatment Trial
编辑推荐:
机器学习(machine learning, ML)在临床医学中的应用日益广泛。本研究旨在借助机器学习,识别轻至中度COVID-19门诊患者中预测住院风险的因素。在MOVe-OUT研究(NCT04575597)中,未接种疫苗的轻至中度COVID-19成人被1:
机器学习(machine learning, ML)在临床医学中的应用日益广泛。本研究旨在借助机器学习,识别轻至中度COVID-19门诊患者中预测住院风险的因素。在MOVe-OUT研究(NCT04575597)中,未接种疫苗的轻至中度COVID-19成人被1:1随机分配至莫诺匹拉韦组或安慰剂组。在该事后分析中,研究人员评估了进展为住院与未进展为住院的受试者的多种因素。研究人员使用机器学习作为一种无偏方法,评估安慰剂组受试者中多种因素与住院的关联。与未住院(nonhospitalized, nonHP)者相比,进展为住院(hospitalized, HP)的受试者更可能是男性、年龄≥65岁、患有活动性癌症、糖尿病、中度COVID-19,且基线(研究干预第1天)核衣壳抗体和中和抗体均为阴性。在HP组中,基线平均病毒载量(viral load, VL)为7.51 log10拷贝/mL,而nonHP组为6.83 log10拷贝/mL。HP组基线平均C反应蛋白(C-reactive protein, CRP)为49.93 mg/L,nonHP组为16.77 mg/L;HP组基线后CRP值升高,而nonHP组降低。HP组基线平均绝对淋巴细胞计数(absolute lymphocyte count, ALC)为1.07×109/L,nonHP组为1.54×109/L;HP组第3天和第5天ALC较基线下降。机器学习分析确定基线VL、CRP、ALC、钙以及CRP、ALC和乳酸脱氢酶(lactate dehydrogenase, LDH)的平均变化为住院的预测因子。机器学习模型支持了初步发现,即较高的基线VL伴随CRP升高和ALC降低,可能有助于识别具有高住院风险的COVID-19患者。机器学习可用于识别未来大流行中预测住院的生物标志物。
**论文解读:基于机器学习的病毒学与临床预测因子分析——以莫诺匹拉韦III期临床试验为例**
**一、研究背景与问题**
COVID-19大流行曾造成医疗资源严重挤兑,亟需快速识别可能进展为重症并需要住院的患者,以优先分配救治资源。既往研究表明,患者合并症、基线定量SARS-CoV-2 RNA、实验室生物标志物、生命体征和临床症状可单独或联合用于预测COVID-19严重程度和死亡率。尽管随着疫苗和抗病毒药物的普及,COVID-19已逐渐转向地方病,但医学界仍需积累如何利用易获得的临床数据识别预后不良患者的经验,这些方法未来也可能适用于其他传染病大流行。莫诺匹拉韦(molnupiravir)是用于COVID-19的抗病毒药物之一,在MOVe-OUT试验中,与安慰剂相比,口服莫诺匹拉韦800 mg每日两次可降低轻中度COVID-19门诊患者的住院或死亡风险。人工智能正在推动医疗保健向更精准、个性化的方向发展,机器学习能够分析复杂大型数据集,结合人口学、临床和实验室信息进行诊断、预后预测和疗效评估。然而,当时对于哪些病毒学指标和临床参数最能预测住院风险,以及机器学习能否有效识别这些预测因子,仍缺乏系统评估。本研究旨在:(1)评估基线及随访期间SARS-CoV-2 RNA、实验室生物标志物、生命体征和患者自我报告症状的变化是否与住院进展相关;(2)确定机器学习模型能否在MOVe-OUT III期试验中识别相似的住院预测因子。
**二、技术方法概述**
研究基于MOVe-OUT(MK-4482-002,ClinicalTrials.gov NCT04575597)III期临床试验数据。该试验为双盲、平行分组、随机、安慰剂对照研究,纳入2021年5月至10月期间未住院的轻中度COVID-19成人患者,要求症状发作≤5天且至少存在1种进展为重症的危险因素。研究人员采用事后分析(post hoc analysis),在改良意向性治疗(modified intention-to-treat, MITT)人群中比较进展为住院(HP)与未住院(nonHP)受试者的病毒学和临床结局。主要的机器学习方法为随机森林(random forest, RF),基于安慰剂组数据以避免莫诺匹拉韦治疗的混杂效应。针对数据高度不平衡的问题,研究人员开发了重复重采样算法,通过随机下采样平衡训练子集,重复100次RF应用,每轮包含1000棵决策树,并采用3折交叉验证重复10次。模型输出为Day 29住院状态,最终纳入93个预测变量(79个生物标志物和14个人口学因素)。模型性能通过受试者工作特征曲线下面积(AUROC)和精确率-召回率曲线下面积与基线类别患病率之比(AUPRC ratio)评估。此外,采用递归特征消除(recursive feature elimination, RFE)作为次要方法验证主分析结果。研究人员随后对机器学习筛选出的生物标志物(包括钙和乳酸脱氢酶)进行独立的个体化分析。
**三、主要研究结果**
**3.1 病毒学与临床结局**
在MOVe-OUT III期部分,MITT人群共1408例,其中115例(8.2%)在Day 29前进展为住院(莫诺匹拉韦组48/709 [6.8%],安慰剂组67/699 [9.6%])。基线特征显示,HP组更可能为男性、年龄≥65岁、患有活动性癌症或糖尿病、基线COVID-19严重程度为中度、SARS-CoV-2 RNA较高、核衣壳抗体和中和抗体阴性。HP组基线平均病毒载量为7.51 log
10拷贝/mL,高于nonHP组的6.83 log
10拷贝/mL;从基线到Day 5,HP组病毒载量平均下降1.90 log
10拷贝/mL,低于nonHP组的2.12 log
10拷贝/mL。莫诺匹拉韦治疗组在HP和非HP受试者中各时间点病毒载量降幅均大于安慰剂组。HP组基线平均CRP为49.93 mg/L,显著高于nonHP组的16.77 mg/L,且HP组CRP在住院日达到峰值94.06 mg/L,而nonHP组CRP持续下降。HP组基线平均ALC为1.07×10
9/L,低于nonHP组的1.54×10
9/L,HP组中安慰剂受试者Day 3和Day 5 ALC继续降低,莫诺匹拉韦组则逐步回升。此外,HP组中性粒细胞计数和白细胞计数升高更明显,氧饱和度下降伴呼吸频率代偿性增加,疲劳、气短/呼吸困难、咳嗽等症状的持续改善/缓解比例更低。
**3.2 机器学习模型**
仅基于安慰剂组数据的机器学习分析显示,高频出现在重要性前10位的预测因子包括:基线SARS-CoV-2 RNA、基线CRP、CRP变化、基线ALC、ALC变化,以及额外识别的基线钙和LDH变化。这些结果与个体化分析一致。钙和LDH随后被单独验证:HP组基线平均钙为8.93 mg/dL,低于nonHP组9.21 mg/dL,且HP组钙持续下降;HP组基线平均LDH为252.39 IU/L,高于nonHP组208.98 IU/L,且HP组LDH持续升高。其他出现频率较低但仍进入前10的指标包括基线天冬氨酸氨基转移酶(AST)、基线中和抗体阴性、基线肌酐、基线LDH等。基线自我报告症状(如身体酸痛)极少进入前10预测因子。模型重复运行30次后达到收敛,中位AUROC为0.9(范围0.84~0.96),中位AUPRC比值为5.1(范围3~8.5),表明模型具有良好至优秀的判别性能和强分类能力。
**四、讨论与结论**
本研究证实,机器学习方法在识别轻中度COVID-19患者住院预测因子方面具有多重优势。它能够综合分析大量因素,包括传统标准分析中通常考虑的参数(病毒载量、CRP、ALC、呼吸困难),以及标准方法中不易预先考虑的参数(如钙)。此外,机器学习模型能够整合基线人口学特征与多种因素,并提供各因素在预测住院中的重要性(权重)。研究还发现,CRP和LDH的变化与感染恶化报告一致,而钙的降低虽然保持在正常范围内,但其与COVID-19住院或严重程度的关联与其他研究一致,可能机制包括SARS-CoV-2刺突蛋白结合血管紧张素转换酶2后激活炎症级联反应,导致内皮功能障碍和细胞内钙升高。研究优势在于基于大型全球双盲安慰剂对照试验的前瞻性数据,能够客观评估从基线到Day 10的多个数据点。机器学习模型未纳入莫诺匹拉韦组、未包含生命体征(因后勤原因)以及部分实验室数据缺失是模型局限性;缺乏外部验证也是不足,但研究人员并未仅依赖机器学习结果,而是结合标准分析和临床解读来综合判断。模型重要性指标仅提示需要进一步检验的生物标志物,不指示方向或幅度。此外,研究基于2020–2021年流行的SARS-CoV-2变异株和未接种疫苗人群,其结果可能不直接适用于当前变异株和具有免疫背景的人群。
总之,这项探索性事后分析表明,以机器学习为辅助的病毒学和临床数据分析,可用于识别新的生物标志物或确认具有临床意义的现有生物标志物,以预测COVID-19所致住院风险。更重要的是,该方法可帮助研究者和临床医生在未来大流行中对高风险患者进行管理,包括优化临床试验的入排标准,以及构建临床决策树以指导患者分流。