一种基于机器学习算法的数学建模方法

　　根据发表在《自然机器》上的论文，机器学习工具选择了三种生物标志物，即乳酸脱氢酶，淋巴细胞和高敏感性C反应蛋白水平，这些标志物可以从中国485名武汉感染者的血液样本中预测COVID-19患者的死亡率。智力。这些工具可以以90%以上的准确率预测单个患者在其结果之前十多天的死亡率。

　　对患者的COVID-19严重程度进行快速，准确和早期的临床评估至关重要。但是，目前尚无可预测的生物标志物来区分需要立即就医的患者并评估其相关死亡率。

　　叶媛，李岩的同事分析了来自中国武汉的485例患者的血液样本，以鉴定出强有力的有意义的死亡风险标记。在2020年1月10日至2月18日期间从同济医院的患者收集的样本用于模型开发。在分析的375例病例中，有201例从COVID-19中康复并出院，其余174例患者死亡。

　　作者设计了一种基于机器学习算法的数学建模方法，该算法旨在识别最能预测患者死亡率的生物标志物。该问题被表述为分类任务，其中的输入内容包括基本信息，症状，血液样本以及实验室检查的结果，包括肝功能，肾功能，凝血功能，电解质和炎性因子，取自普通，重症和重症患者。该模型选择了乳酸脱氢酶（LDH），淋巴细胞和高敏感性C反应蛋白水平作为区分处于危险中的患者的最关键的生物标志物。该发现与当前医学知识一致，即仅高LDH水平与各种疾病（包括肺部疾病，如肺炎）中发生的组织分解有关。大多数患者在住院期间都采集了多个血液样本。但是，该模型仅使用患者最终样本中的数据。然而，该模型可以应用于所有其他血液样本，并且可以估计生物标志物的预测潜力。

　　作者得出的结论是，他们的模型提供了简单，可解释和直观的临床测试，可以准确，快速地量化死亡风险。他们还暗示淋巴细胞（一种白细胞）可以作为潜在的治疗靶点，这得到了临床研究的支持。他们指出，随着可用数据的增加，将需要重复此过程以提高准确性。