Apprentissage de modèles de survie personnalisés précis pour prédire la sortie de l'hôpital et la mortalité des patients COVID-19

Résumé :

Depuis son apparition en décembre 2019, la COVID-19 a fait peser un lourd fardeau sur les soins médicaux dans les pays du monde entier, car elle a entraîné un nombre considérable d'hospitalisations et de décès. De nombreux centres médicaux ont été surchargés, car leurs unités de soins intensifs et leurs ressources de protection auxiliaire se sont révélées insuffisantes, ce qui a fait de l'allocation efficace des ressources médicales une question urgente. Cette étude décrit des modèles appris de prédiction de survie qui pourraient aider les professionnels de la santé à prendre des décisions efficaces concernant le triage des patients et l'allocation des ressources. Nous avons créé de multiples sous-ensembles de données à partir d'un ensemble de données épidémiologiques COVID-19 accessibles au public afin d'évaluer l'efficacité de diverses combinaisons de covariables - âge, sexe, localisation géographique et statut de maladie chronique - dans l'apprentissage de modèles de survie (ici, "distributions de survie individuelles" ; DSI) pour les sorties d'hôpital et également pour les événements de décès. Nous avons ensuite complété nos ensembles de données par des informations démographiques et économiques afin d'obtenir des modèles de survie potentiellement plus précis. Nos expériences approfondies ont comparé plusieurs modèles de DSI, en utilisant diverses mesures. Ces résultats montrent que l'algorithme "gradient boosting Cox machine" a surpassé les techniques concurrentes, en termes de ces métriques d'évaluation des performances, pour prédire à la fois la probabilité de sortie d'hôpital d'un individu et la mortalité COVID-19. Nos jeux de données et notre base de code sont disponibles sur notre dépôt Github pour reproduire les résultats présentés dans cet article et pour soutenir les recherches futures.