用于COVID-19患者入院严重程度风险预测和分诊的临床决策支持系统的开发:国际多中心研究摩根富林明欧洲呼吸杂志乔和J FD欧元欧洲呼吸学会SP 2001104 10.1183/13993003.01104 -2020签证官56是2 A1吴,光耀A188bet官网地址1杨裴A1谢,Yuanliang A1半圆,亨利·c·A1 Rao, Xiangang A1 Guiot,朱利安A1 Frix, Anne-Noelle A1路易,Renaud A1 Moutschen,米歇尔A1,加威A1 Li Jing A1燕,呈贡A1 Du,丹A1赵,盛潮A1叮,彝族A1刘,本A1太阳,文武A1 Albarello,法布里奇奥A1 D 'Abramo,Alessandra A1 Schininà， Vincenzo A1 Nicastri, Emanuele A1 Occhipinti, Mariaelena A1 Barisione, Giovanni A1 Barisione, Emanuela A1 Halilaj, Iva A1 Lovinfosse, Pierre A1 Wang, Xiang A1 Wu, Jianlin A1 Lambin, Philippe YR 2020 UL //www.qdcxjkg.com/content/56/2/2001104.abstract AB背景2019年冠状病毒疾病(COVID-19)的爆发使全球医疗资源紧张，并导致大量死亡。目的建立并验证基于临床特征的新型冠状病毒肺炎患者入院严重程度风险评估和分诊的机器学习模型。方法对725例患者进行训练和验证。这包括2019年12月23日至2020年2月13日来自中国武汉的299名COVID-19住院患者的回顾性队列，以及2020年2月20日至2020年3月21日来自中国、意大利和比利时8个中心的426名患者的5个队列。主要结局是在住院期间出现严重或危重疾病。使用接受者工作特征曲线(AUC)下的面积和来自混淆矩阵的度量来量化模型性能。在回顾性队列中，中位年龄为50岁，137例(45.8%)为男性。在五个试验队列中，中位年龄为62岁，236例(55.4%)为男性。该模型在5个队列中进行了前瞻性验证，auc在0.84 ~ 0.93之间，准确性在74.4% ~ 87.5%之间，敏感性在75.0% ~ 96.9%之间，特异性在55.0% ~ 88.0%之间，其中大部分表现优于肺炎严重程度指数。低、中、高危概率的分界值分别为0.21和0.80。机器学习模型、nomogram和在线计算器可能有助于获取COVID-19患者中重症和危重症的发病情况，并在入院时进行分诊。一个国际认可的模型、nomogram和在线计算器，用于入院时COVID-19患者的严重风险评估和分类https://bit.ly/2BQfXFs