世界各地的医疗系统正在努力容纳大量需要特别医疗照顾的COVID-19重症患者，特别是当他们被确定为高风险时。在重症监护医学中，临床确立的风险评估，如SOFA或APACHE II，在预测COVID-19的未来疾病结果方面只显示出有限的可靠性。

在新研究中，研究人员分析了在349个时间点采集的血样中321种蛋白质的水平，这些血样来自德国和奥地利的两个独立医疗中心正在治疗的50名COVID-19重症患者。一种机器学习方法被用来寻找所测量的蛋白质和病人生存之间的联系。

队列中的15名患者死亡；从入院到死亡的平均时间为28天。对于活下来的病人，住院时间的中位数是63天。研究人员确定了14种蛋白质，随着时间的推移，与在重症监护下无法存活的病人相比，存活的病人的蛋白质变化方向相反。研究小组随后开发了一个机器学习模型，根据相关蛋白质的单一时间点测量来预测生存率，并在24名COVID-19重症患者的独立验证队列中测试了该模型。该模型在这个队列中表现出很高的预测能力，正确预测了19名患者中的18名生存者和5名死亡者的结局（AUROC = 1.0，P = 0.000047）。

研究人员总结说，如果在更大的队列中得到验证，血液蛋白检验可能有助于识别具有最高死亡风险的患者，以及检验某种治疗是否会改变单个患者的预测轨迹。

关键词： IT 与健康 科学家开发机器学习方法 通过单次血液测试预