|
|
مجله دانشکده پزشکی دانشگاه علوم پزشکی تهران، جلد ۷۹، شماره ۱۲، صفحات ۹۳۴-۹۴۲
|
|
|
| عنوان فارسی |
پیش‌بینی زودهنگام خطر مرگ‌ومیر بیماران مبتلا به کووید ۱۹ براساس ویژگی‌های دموگرافی، علایم حیاتی و آزمایشگاهی |
|
| چکیده فارسی مقاله |
زمینه و هدف: پیش‌بینی زودهنگام وضعیت بیماران مبتلا به کووید 19 می‌تواند با تخصیص منابع و برنامه‌ریزی درمانی، خطر مرگ‌ومیر را در این بیماران کاهش دهد. این مطالعه یک سیستم دقیق و سریع برای پیش‌بینی مرگ‌ومیر بیماران با استفاده از ویژگی‌های دموگرافی، علایم حیاتی و داده‌های آزمایشگاهی معرفی می‌کند. روش بررسی: در این مطالعه تحلیلی که از اردیبهشت 1399 تا خرداد 1400 در تهران انجام شده است، 41 ویژگی از 244 بیمار مبتلا به کووید 19 در اولین روز بستری شدن در بیمارستان ثبت شد. این ویژگی‌ها به هشت گروه مختلف به نام‌های ویژگی‌های دموگرافی و علایم حیاتی، شش گروه مختلف آزمایش خون شامل تست‌های شمارش کامل سلول‌های خون، انعقادی، کلیه، کبد، گاز خون و ویژگی‌های عمومی طبقه‌بندی شدند. در این مطالعه، ابتدا اهمیت هر یک از ویژگی‌های استخراج شده و سپس هشت گروه از ویژگی‌ها برای پیش‌بینی مرگ‌ومیر بیماران مبتلا به کووید 19 به‌طور جداگانه بررسی شده‌اند. در نهایت، بهترین ترکیب گروه‌های مختلف ویژگی‌ها ارزیابی شدند. یافته‌ها: نتایج نشان داد که ترکیب ویژگی‌ها در گروه شمارش کامل سلول‌های خون دارای بالاترین AUC با مقدار 57/95 است. افزون‌براین، ترکیب سه گانه ویژگی‌ها در علایم حیاتی، شمارش کامل خون و انعقادی دارای بالاترین AUC با ارزش 54/96 است. نتیجه‌گیری: سیستم پیشنهادی ما می‌تواند به‌عنوان یک ابزار قابل‌قبول برای غربالگری بیماران مبتلا به کووید 19 با خطرات مرگ‌ومیر بالا مورد استفاده قرار گیرد. |
|
| کلیدواژه‌های فارسی مقاله |
کووید 19، آزمایشگاهی، رگرسیون لجستیک، مرگ‌ومیر. |
|
| عنوان انگلیسی |
Early prediction of COVID-19 mortality risk based on demographic, vital sign and blood test |
|
| چکیده انگلیسی مقاله |
Background: Early prediction of the outcome situation of COVID-19 patients can decrease mortality risk by assuring efficient resource allocation and treatment planning. This study introduces a very accurate and fast system for the prediction of COVID-19 outcomes using demographic, vital signs, and laboratory blood test data. Methods: In this analytic study, which is done from May 2020 to June 2021 in Tehran, 41 features of 244 COVID-19 patients were recorded on the first day of admission to the Masih Daneshvari Hospital. These features were categorized into eight different groups, demographic and patient history features, vital signs, and six different groups of laboratory blood tests including complete blood count (CBC), coagulation, kidney, liver, blood gas, and general. In this study, first, the significance of each of the extracted features and then the eight groups of features for prediction of mortality outcomes were considered, separately. Finally, the best combination of different groups of features was assessed. The statistical methods including the area under the receiver operating characteristic curve (AUC-ROC) based on binary Logistic Regression classification algorithm were used for evaluation. Results: The results revealed that red cell distribution width (RDW), mean corpuscular hemoglobin (MCH), mean corpuscular hemoglobin concentration (MCHC), and mean corpuscular volume (MCV) in CBC features have the highest AUC with values of 85.29, 80.96, 79.94 and 79.70, respectively. Then, blood oxygen saturation level (SPO2) in vital features has a higher AUC with a value of 79.28. Moreover, combinations of features in the CBC group have the highest AUC with a value of 95.57. Then, coagulation and vital signs groups have the highest AUC with values of 85.20 and 83.84, respectively. Finally, triple combinations of features in CBC, vital signs, and coagulation groups have the highest AUC with the value of 96.54. Conclusion: Our proposed system can be used as an assistant acceptable tool for triage of COVID-19 patients to determine which patient will have a higher risk for hospitalization and intensive care in medical environments. |
|
| کلیدواژه‌های انگلیسی مقاله |
COVID-19, laboratory, logistic regression, mortality. |
|
| نویسندگان مقاله |
احمد شالباف | Ahmad Shalbaf
Department of Biomedical Engineering and Medical Physics, School of Medicine, Shahid Beheshti University of Medical Sciences, Tehran, Iran.
گروه مهندسی و فیزیک پزشکی، دانشکده پزشکی، دانشگاه علوم پزشکی شهید بهشتی، تهران، ایران.
نسرین امینی | Nasrin Amini
Department of Biomedical Engineering and Medical Physics, School of Medicine, Shahid Beheshti University of Medical Sciences, Tehran, Iran.
گروه مهندسی و فیزیک پزشکی، دانشکده پزشکی، دانشگاه علوم پزشکی شهید بهشتی، تهران، ایران.
هادی چوبدار | Hadi Choubdar
Institute of Medical Science and Technology (IMSAT), Shahid Beheshti University, Tehran, Iran.
پژوهشکده علوم و فناوری‌های پزشکی، دانشگاه شهید بهشتی، تهران، ایران.
مهدی مهدوی | Mahdi Mahdavi
Institute of Medical Science and Technology (IMSAT), Shahid Beheshti University, Tehran, Iran.
پژوهشکده علوم و فناوری‌های پزشکی، دانشگاه شهید بهشتی، تهران، ایران.
عاطفه عابدینی | Atefeh Abedini
Chronic Respiratory Diseases Research Center, National Research Institute of Tuberculosis and Lung Diseases (NRITLD), Shahid Beheshti University of Medical Sciences, Tehran, Iran.
مرکز تحقیقات بیماری‌های مزمن تنفسی، پژوهشکده ملی سل و بیماری‌های ریوی، دانشگاه علوم پزشکی شهید بهشتی، تهران، ایران.
رضا لشگری | Reza Lashgari
Institute of Medical Science and Technology (IMSAT), Shahid Beheshti University, Tehran, Iran.
پژوهشکده علوم و فناوری‌های پزشکی، دانشگاه شهید بهشتی، تهران، ایران.
|
|
| نشانی اینترنتی |
http://tumj.tums.ac.ir/browse.php?a_code=A-10-5189-8&slc_lang=other&sid=1 |
| فایل مقاله |
فایلی برای مقاله ذخیره نشده است |
| کد مقاله (doi) |
|
| زبان مقاله منتشر شده |
other |
| موضوعات مقاله منتشر شده |
|
| نوع مقاله منتشر شده |
مقاله اصیل |
|
|
|
برگشت به:
صفحه اول پایگاه |
نسخه مرتبط |
نشریه مرتبط |
فهرست نشریات
|