At-admission prediction of mortality and pulmonary embolism in an international cohort of hospitalised patients with COVID-19 using statistical and machine learning methods

Abstract

Hasta septiembre de 2022, se habían notificado más de 600 millones de casos de infección por SARS-CoV-2 a nivel mundial, lo que resultó en más de 6,5 millones de muertes. Sin embargo, los estimadores del riesgo de mortalidad por COVID-19 a menudo se desarrollan con muestras pequeñas y no representativas, y con limitaciones metodológicas. Es fundamental desarrollar herramientas predictivas para la embolia pulmonar (EP) en pacientes con COVID-19, ya que es una de las complicaciones prevenibles más graves de la COVID-19. Su reconocimiento temprano puede ayudar a proporcionar una terapia anticoagulante dirigida que salva vidas desde el ingreso. Utilizando un conjunto de datos de más de 800.000 pacientes con COVID-19 de una cohorte internacional, proponemos un modelo de aprendizaje automático potenciado por gradiente y sensible a los costes que predice la aparición de EP y la muerte al ingreso. Se utilizaron regresión logística, modelos de riesgos proporcionales de Cox y valores de Shapley para identificar predictores clave de EP y muerte. Nuestro modelo de predicción tuvo un AUROC de prueba de 75.9% y 74.2%, y sensibilidades de 67.5% y 72.7% para EP y mortalidad por todas las causas respectivamente en un conjunto de pruebas altamente diverso y mantenido. El modelo de predicción de EP también se evaluó en pacientes en el Reino Unido y España por separado con resultados de prueba de 74.5% AUROC, 63.5% sensibilidad y 78.9% AUROC, 95.7% sensibilidad. Edad, sexo, región de ingreso, comorbilidades (enfermedad cardíaca y pulmonar crónica, demencia, diabetes, hipertensión, cáncer, obesidad, tabaquismo) y síntomas (cualquiera, confusión, dolor torácico, fatiga, dolor de cabeza, fiebre, dolor muscular o articular, dificultad para respirar) fueron los predictores clínicos más importantes al ingreso. Edad, presencia general de síntomas, dificultad para respirar e hipertensión resultaron ser predictores clave para EP utilizando nuestro modelo potenciado por gradiente extremo. Este análisis, basado en el conjunto de datos global más amplio hasta la fecha para este conjunto de problemas, puede fundamentar las políticas de priorización hospitalaria y guiar la investigación clínica a largo plazo y la toma de decisiones para pacientes con COVID-19 a nivel mundial. Nuestro modelo de aprendizaje automático, desarrollado a partir de una cohorte internacional, puede servir para regular mejor la priorización de riesgos hospitalarios de los pacientes en riesgo.