Uso del aprendizaje automático para evaluar la utilidad pronóstica de las características radiómicas en

Sep 03, 2023

Scientific Reports volumen 13, Número de artículo: 7318 (2023) Citar este artículo

350 Accesos

2 Altmetric

Detalles de métricas

Dado que las radiografías de tórax portátiles son un medio eficiente para clasificar casos emergentes, su uso ha planteado la cuestión de si las imágenes tienen una utilidad pronóstica adicional para la supervivencia de los pacientes con COVID-19. Este estudio evaluó la importancia de los factores de riesgo conocidos en la mortalidad hospitalaria e investigó la utilidad predictiva de las características de la textura radiómica utilizando varios enfoques de aprendizaje automático. Detectamos mejoras incrementales en el pronóstico de supervivencia utilizando características de textura derivadas de radiografías de tórax emergentes, particularmente entre pacientes mayores o aquellos con una mayor carga de comorbilidad. Las características importantes incluyeron la edad, la saturación de oxígeno, la presión arterial y ciertas condiciones comórbidas, así como características de la imagen relacionadas con la intensidad y la variabilidad de la distribución de píxeles. Por lo tanto, las radiografías de tórax ampliamente disponibles, junto con la información clínica, pueden predecir los resultados de supervivencia de los pacientes con COVID-19, especialmente los pacientes mayores y más enfermos, y pueden ayudar en el manejo de la enfermedad al proporcionar información adicional.

COVID-19 ha resultado en más de ochenta y cinco millones de casos y más de un millón de muertes en los Estados Unidos1. Con la preocupación constante por futuros rebrotes2,3, y en un esfuerzo por mejorar el tratamiento y la gestión de los pacientes infectados, los métodos basados ​​en principios para la estratificación del riesgo y el pronóstico de supervivencia son de vital importancia4,5. Los primeros informes describieron una guía de diagnóstico para evaluar las anomalías de la radiografía de tórax en los servicios de urgencias, incluidas las opacidades reticulonodulares en "vidrio deslustrado" (GGO) parcheadas o difusas y la consolidación con predominio basal, periférico y bilateral6,7. Estudios recientes abogaron por el uso de radiografías de tórax para calificar a los pacientes con COVID-198,9 a través de sistemas de puntuación como el puntaje Brixia específico para COVID, que califica la afectación pulmonar en una escala de 0 a 18, o porcentaje de afectación pulmonar10, 11,12. Si bien los enfoques automatizados para la clasificación de enfermedades han alcanzado una precisión diagnóstica alta (> 90 %)13, existe una escasez de investigaciones que utilicen características radiómicas para predecir los resultados clínicos de los pacientes ingresados ​​con COVID-19 debido a su naturaleza heterogénea y de dimensiones elevadas, así como como indisponibilidad de datos14. La utilidad añadida de tales características para predecir la mortalidad hospitalaria, más allá de los factores de riesgo clínicos, se desconoce en gran medida14.

El Sistema de Salud de la Universidad de Michigan (o Medicina de Michigan), como uno de los principales centros regionales que gestionan la atención de pacientes con COVID-19 durante la pandemia, ha recopilado una gran cantidad de datos de imágenes de rayos X, además de datos demográficos y clínicos. , a través de la Historia Clínica Electrónica (HCE)15,16. La radiografía de tórax portátil, con su disponibilidad y facilidad de uso, se ha utilizado de forma rutinaria para monitorear a los pacientes que necesitan atención urgente en Michigan Medicine, incluso antes de la pandemia17. Sin embargo, el análisis de las imágenes de rayos X de tórax se complica por la estructura de datos, particularmente en el entorno de COVID-1918. Aprovechando las técnicas de aprendizaje automático, propusimos un flujo de trabajo para la extracción y selección de características de las imágenes de rayos X relacionadas con COVID. Al usar la información de supervivencia directamente, nuestro marco descompone las imágenes sin procesar en características de textura e identifica aquellas características que están más relacionadas con la mortalidad por COVID-19. Utilizamos varias técnicas de aprendizaje automático para evaluar la previsibilidad de los factores demográficos y clínicos y las características de la textura radiómica en la mortalidad hospitalaria, un criterio de valoración principal para los pacientes hospitalizados con COVID-1919. Los análisis de subgrupos revelaron que las imágenes de rayos X de tórax ofrecían una mayor utilidad pronóstica para los pacientes vulnerables (p. ej., mayores o más enfermos).

De los 3313 pacientes hospitalizados con radiografías, analizamos un total de 3310 pacientes con imágenes anteroposterior o anteroanterior, que proporcionaron vistas claras de los pulmones; se excluyeron solo tres pacientes cuyas radiografías proporcionaron vistas poco claras y no pudieron ser analizadas. Durante el seguimiento observamos 590 (17,8%) muertes intrahospitalarias y 20 (0,6%) altas a hospicio. La mediana de edad fue de 61 años (rango intercuartílico: 46-73) y la mayoría de los pacientes eran hombres (56 %), con una sobrerrepresentación de pacientes negros (21 %) en comparación con la población circundante. La mediana de la frecuencia respiratoria fue de 18,8 (17,5-21,7) respiraciones por minuto y la mediana de la saturación de oxígeno fue del 95,5% (94,0-97,2%). Hubo una alta proporción de pacientes con arritmias cardíacas (70%), hipertensión (70%) y trastornos de líquidos y electrolitos (70%) al ingreso (Suplemento E). En el modelo final se incluyeron siete características radiómicas y siete características clínicas.

Primero comparamos el desempeño predictivo de los siguientes cinco algoritmos utilizando solo los predictores clínicos. Los algoritmos fueron el modelo de riesgos proporcionales de Cox20,21, las máquinas de vectores de soporte de supervivencia22, los bosques de supervivencia aleatorios23, el aumento del gradiente de supervivencia24 y el promedio de conjuntos de los primeros cuatro algoritmos25. El índice C promedio en cien experimentos osciló entre 78,1 y 80,3 %, y el promedio de conjuntos tuvo el mejor rendimiento. Luego comparamos los algoritmos utilizando las características clínicas y radiómicas y notamos que el promedio del conjunto aún superó a los otros métodos, logrando nuevamente el índice C promedio más alto de 81.0%. Además, se observaron mejoras incrementales en los cinco algoritmos, que van desde un aumento del 0,5 % en el índice C (bosques de supervivencia aleatorios) hasta un aumento del 2,0 % (aumento del gradiente de supervivencia; Tabla 1). Esto nos motivó a realizar análisis de subgrupos para examinar qué subgrupos se beneficiarían más con las funciones de imagen añadidas; ver la sección posterior de "Análisis de subgrupos y estratificación de riesgo".

La Figura 1a da la importancia de la característica para las principales características clínicas y de imágenes bajo los cinco enfoques predictivos. Las características clínicas más importantes fueron la edad, indicaciones de trastornos de líquidos y electrolitos, frecuencia respiratoria, presión arterial diastólica, cáncer metastásico y cáncer de tumor sólido sin metástasis. Las características importantes de la textura de la imagen incluyeron la falta de uniformidad de la dependencia, la entropía de la zona, la intensidad media de los píxeles, el énfasis del nivel de gris alto en áreas grandes, el coeficiente de correlación máximo, la curtosis de la intensidad de los píxeles y la desviación absoluta media robusta. Los pacientes con mayor falta de uniformidad de dependencia, entropía de zona y coeficientes de correlación máximos tenían más heterogeneidad o complejidad en los patrones de textura de sus imágenes. Aquellos con una intensidad de píxel media más alta y un énfasis de nivel de gris alto en áreas grandes tenían mayores concentraciones de valores de nivel de gris alto en sus imágenes, y aquellos con curtosis de intensidad de píxel más alta y desviaciones absolutas medias robustas tenían valores más atípicos en sus intensidades de píxel26.

Resultados del análisis predictivo de mortalidad hospitalaria. (a) Importancia de característica promedio de características clínicas y de imagen basada en cien conjuntos de datos de prueba con errores estándar, ordenados por la importancia de característica más alta en el promedio del conjunto. (b) curvas de Kaplan-Meier para la mortalidad hospitalaria, estratificada por edad del paciente y grupo de riesgo (definida por la mediana de la puntuación de riesgo; alto riesgo = continuo, bajo riesgo = discontinuo); puntajes de riesgo definidos por características clínicas o clínicas más imágenes dentro de cada grupo de edad. (c) Curvas de Kaplan-Meier para mortalidad hospitalaria, estratificadas por carga de comorbilidad y grupo de riesgo (definido por la mediana de la puntuación de riesgo; alto riesgo = continuo, bajo riesgo = discontinuo); puntuaciones de riesgo definidas por características clínicas o clínicas más imágenes dentro de cada grupo de carga de comorbilidad.

Ajustamos un modelo de regresión de Cox con las características importantes, presentando los cocientes de riesgos instantáneos (HR) y los intervalos de confianza (IC) del 95 % en la Tabla 2. Mayor edad (HR: 2,33; IC del 95 % 2,07–2,63), frecuencia respiratoria más alta (1,41 ; 1,28–1,55), y las indicaciones de trastornos de líquidos y electrolitos (2,57; 1,98–3,34), cáncer metastásico (1,41; 1,10–1,80) y cáncer de tumor sólido sin metástasis (1,32; 1,03–1,68) se asociaron significativamente con una mayor -mortalidad hospitalaria. Por el contrario, la presión arterial diastólica más alta (0,81; 0,75–0,88), nunca fumar (0,46; 0,32–0,67) y haber fumado (0,62; 0,43–0,90) se asociaron con una menor mortalidad. Entre las características de la textura radiómica, la falta de uniformidad de mayor dependencia (1,21; 1,08–1,36), el énfasis en el nivel de gris alto de área grande (1,14; 1,04–1,25) y la intensidad de píxel mediana (1,14; 1,05–1,25) se asociaron significativamente con peligros más altos para la mortalidad, mientras que los coeficientes de correlación máximos más bajos (0,91; 0,83–0,99) se asociaron marginalmente con riesgos de mortalidad más altos.

Usamos promedios de conjunto, que fue el más predictivo, para construir puntajes de riesgo con y sin la adición de características radiómicas. Comparamos cómo estos puntajes podrían distinguir a los pacientes dentro de ciertos subgrupos, definidos por edad o carga de comorbilidad (Fig. 1b, c). Vale la pena señalar dos hallazgos. En primer lugar, las puntuaciones, basadas únicamente en indicadores clínicos o en características clínicas y de imagen, bien podrían distinguir a los pacientes en todos los subgrupos, destacando la utilidad de las características clínicas y de imagen para perfilar el riesgo de mortalidad del paciente.

En segundo lugar, los pacientes se clasificaron como de riesgo "alto" versus "bajo" en función de las puntuaciones de riesgo medianas definidas mediante el uso de características clínicas y clínicas + radiómicas. Dentro de ciertos subgrupos (p. ej., pacientes mayores de 65 años o aquellos con siete o más condiciones comórbidas), la separación entre las curvas de supervivencia de los pacientes de alto y bajo riesgo definidos con la adición de características de imagen fue más obvia que entre los de los pacientes de alto y bajo riesgo, definidos utilizando únicamente las características clínicas. Esto ejemplifica la utilidad pronóstica adicional de las características radiómicas en estos subgrupos. Por el contrario, la separación no fue tan evidente en los otros subgrupos, por ejemplo, entre los menores de 65 años o con menos de siete condiciones de comorbilidad.

Para confirmar nuestros hallazgos, comparamos el aumento en el índice C con la adición de las características radiómicas entre estos diferentes subgrupos. La Tabla 3 muestra un aumento significativamente mayor en el índice C entre los pacientes mayores que entre los pacientes más jóvenes con la adición de características radiómicas. Hubo un aumento de 2,3 a 3,1 % en el índice C entre los pacientes mayores en los diferentes algoritmos con la adición de las características radiómicas. Este incremento es clínicamente significativo27,28 y significativamente mayor (p < 0,001) que el aumento de 0,5 a 1,0 % entre los pacientes más jóvenes. De manera similar, se logró un aumento de 1,6 a 2,5 % en el índice C entre los pacientes con una mayor carga de comorbilidad, en comparación con un aumento de 0,2 a 1,4 % entre los pacientes con una menor carga de comorbilidad. Este incremento fue clínicamente significativo y estadísticamente significativo (p < 0,01).

Muchos estudios recientes han discutido el potencial de los modelos integradores para el descubrimiento y el pronóstico en una amplia gama de entornos clínicos, incluidos los cánceres de mama29 y pulmón30, enfermedad de las arterias coronarias31 y embolias pulmonares32. Cada uno de estos estudios ha demostrado que los métodos de predicción multimodal, que combinan características radiómicas y clínicas, permiten mejorar el rendimiento predictivo en una variedad de entornos clínicos. Además, trabajos recientes han sugerido que los fenotipos radiómicos de las imágenes médicas están relacionados con fenotipos moleculares, como la genómica y la histopatología, y por lo tanto pueden proporcionar información importante y clínicamente relevante33,34. En nuestro entorno, las imágenes radiológicas juegan un papel importante en la clasificación y el manejo de los pacientes con COVID-19, ya que las radiografías de tórax portátiles son un medio eficiente y conveniente para clasificar los casos emergentes. Este trabajo aborda la pregunta de si las imágenes tienen alguna utilidad pronóstica adicional en el manejo de pacientes con COVID-19. Observamos un ligero aumento en el rendimiento de la predicción con las funciones de rayos X adicionales, lo que nos motivó a seguir estudiando qué subgrupos de pacientes se beneficiarían más de las funciones de imagen adicionales.

En todos los pacientes, vimos mejoras modestas en la precisión predictiva de los métodos en comparación, pero encontramos que los pacientes mayores y aquellos con una mayor carga de comorbilidad al ingreso vieron ganancias significativamente mayores en el índice C con las características radiómicas añadidas. Aunque las magnitudes de estas mejoras son relativamente pequeñas, reconocemos el impacto clínico potencial. Incluso un ligero aumento en la precisión de la predicción podría beneficiar los resultados de los pacientes al ayudar a los médicos a identificar pacientes de alto riesgo e iniciar intervenciones oportunas. No todos los trastornos fisiológicos de los pacientes se correlacionan estrechamente con sus imágenes35,36; por ejemplo, los pacientes más jóvenes con infiltrados pulmonares periféricos bilaterales pueden oxigenarse bien y parecer clínicamente bien, mientras que los pacientes mayores o más enfermos pueden tener menos capacidad para compensar el mismo grado de anomalías en las imágenes. Por lo tanto, si bien las métricas identificadas en nuestro estudio pueden no ser útiles en todos los casos, pueden ayudar a identificar qué subpoblaciones de pacientes pueden beneficiarse de manera más confiable de las imágenes como predictor de mortalidad.

Existe un creciente cuerpo de literatura que respalda el uso de datos de imágenes para el pronóstico de mortalidad hospitalaria. Kim et al. encontró que el grado de la radiografía se asoció significativamente tanto con la duración de la estancia en el hospital como con mayores probabilidades de intubación7. Garrafa et al. predijeron la mortalidad hospitalaria utilizando la puntuación Brixia específica de COVID37, y la predictibilidad de sus datos de prueba varió de 0,52 (regresión logística) a 0,78 (bosques aleatorios y aumento de gradiente), que estuvo cerca de nuestros resultados. Schalekamp et al. calificó las radiografías de tórax en una escala de gravedad de cero a ocho puntos38 y desarrolló una puntuación de riesgo basada en imágenes para predecir enfermedades críticas en pacientes con COVID-19. Sosa et al. modeló la supervivencia del paciente con características clínicas y de imagen en una cohorte italiana39 y obtuvo una precisión de 0,68 a 0,76 a través de diferentes métodos con solo información clínica y aumentando a un rango de 0,75 a 0,77 con características tanto clínicas como de imagen, un incremento similar al de nuestro informe. Descubrieron que la edad, la saturación de oxígeno, la frecuencia respiratoria y el cáncer activo eran los más importantes, lo que coincidía con nuestros hallazgos.

Se informó que la afectación pulmonar y la gravedad de la COVID-19, evaluadas mediante un examen visual de las imágenes de rayos X sin procesar, predicen la mortalidad10,11,12,40. Sin embargo, los enfoques visuales pueden ser propensos a la subjetividad y la inexactitud. Trabajos recientes han demostrado que las características de la textura asociadas con la heterogeneidad de la imagen predicen los resultados clínicos cuando la evaluación visual de los datos de imágenes puede no estar correlacionada con estos mismos criterios de valoración41. Por el contrario, nuestro método proporciona un medio objetivo de extraer características de la imagen para ayudar en el pronóstico de supervivencia. Nuestro trabajo también aborda el desafío de analizar imágenes de tamaño variable, que no pueden ser procesadas por algoritmos de aprendizaje profundo como AlexNet42 o ResNet43. En lugar de introducir imágenes directamente en los modelos, derivamos características de textura relevantes con la máxima diferenciación de imágenes para predecir la supervivencia de COVID-19 en función de un flujo de trabajo estándar13,14,44,45,46,47. Estas características de textura también pueden ser más interpretables que las derivadas de los modelos de aprendizaje profundo48.

Además, nuestro método nos permitió aprovechar la información de supervivencia del paciente al seleccionar las características de la imagen, lo que llevó a algunos descubrimientos interesantes. Encontramos que la mediana intensidad de píxel y la gran dependencia del énfasis en el nivel de gris alto, características correspondientes a mayores concentraciones de valores de nivel de gris alto en las imágenes, fueron predictores importantes de la supervivencia del paciente. También fue predictiva una mayor heterogeneidad en las características de la textura, caracterizada por la entropía de la zona y la falta de uniformidad de la dependencia. Estos hallazgos se alinean con la literatura actual. Por ejemplo, similar a nuestros resultados, Varghese et al. mostró la importancia de ciertas características de textura de primer y segundo orden, a saber, histograma e intensidad, seguidas de la matriz de zona de tamaño de nivel gris y la matriz de co-ocurrencia de nivel gris, para predecir la utilización de la unidad de cuidados intensivos, la intubación y la muerte49. Iori et al. identificaron características importantes de la textura, incluida la falta de uniformidad de la entropía y la dependencia, para la predicción de la mortalidad50.

Detectamos que las predicciones sobre ciertos subgrupos de pacientes se beneficiaron más de la adición de estas características radiómicas. En particular, se observó una mayor mejora en la predicción de supervivencia para los pacientes de mayor edad (> 65 años) y aquellos con mayor carga de comorbilidad (> mediana de 7/29 comorbilidades). Nuestros resultados concuerdan con hallazgos previos de que la gravedad de la enfermedad en las imágenes está asociada con la carga de comorbilidad y la edad51,52,53, lo que sugiere que es probable que las características radiómicas provenientes de pacientes mayores o más enfermos contengan más información relevante para la supervivencia. Por el contrario, los pacientes más jóvenes o más sanos tienen un menor riesgo de muerte, por lo que las características radiómicas adicionales no aportan mucho a su pronóstico54.

Tomamos nota de algunas limitaciones y áreas de trabajo futuro para el presente estudio. En primer lugar, solo se incluyeron en el análisis las hospitalizaciones en Michigan Medicine, lo que potencialmente limita la generalización de los resultados. Sin embargo, nuestro flujo de trabajo proporciona un marco general y útil para analizar datos de EHR con imágenes de rayos X de tórax, y nuestros resultados pueden generar hipótesis para investigaciones a mayor escala, y potencialmente también en otras áreas de enfermedades. Dado que se observó cierta mejoría entre los pacientes de mayor edad y los pacientes con una mayor carga de comorbilidad, es necesaria una validación externa para confirmar estos resultados y su importancia clínica. También se necesitan más investigaciones para evaluar la optimización de nuestras técnicas de detección y extracción de características y la precisión predictiva de nuestro enfoque en comparación con la práctica clínica estándar. Seleccionamos predictores clínicos que se sabía que predecían peores resultados de COVID-19 según la práctica clínica y el cuerpo de literatura actual. Sin embargo, los factores de riesgo que se consideran importantes pueden diferir entre instituciones con poblaciones de pacientes variadas y complejas. Además, para evaluar si nuestro enfoque multimodal basado en computadora propuesto puede aumentar la práctica de la medicina, el siguiente paso sería diseñar un estudio en el que las predicciones generadas a partir de nuestro modelo se comparen con las generadas por los médicos en función de un conjunto común. de imágenes y características clínicas. Este enfoque de grupo focal sería un próximo paso importante en la continuación y validación del trabajo actual. Por último, las comparaciones con otros enfoques automatizados, como el aprendizaje profundo, pueden generar puntos de referencia adicionales para la precisión del método propuesto.

En segundo lugar, como ocurre con la mayoría de los estudios de EHR, puede haber un sesgo de selección inherente entre los que se presentan en Michigan Medicine y posteriormente ingresan por complicaciones relacionadas con COVID-19. Los enfoques de inferencia causal pueden explorarse para abordar los factores de confusión observables y no observables. En tercer lugar, las comorbilidades tomadas al ingreso no se diferenciaron de las condiciones crónicas que precedieron a la infección. Se necesita un trabajo más profundo para dar cuenta de las cronologías de estas condiciones. Además, las condiciones comórbidas se establecieron mediante códigos IDC-10 basados ​​en Quan et al.55. En nuestra institución, los diagnósticos con códigos ICD-10 asociados generalmente se ingresan primero en el EHR al momento de la admisión y luego se confirman retrospectivamente. Sin embargo, puede haber demoras administrativas en la codificación de estas condiciones después del encuentro inicial con un paciente, tanto en nuestro estudio como en otras instituciones en general. Esto puede requerir alternativas adecuadas para la identificación de comorbilidad, particularmente para aquellas condiciones incluidas en nuestro modelo final. Por ejemplo, los pacientes de nuestra población de estudio que estaban ampliamente indicados para trastornos de líquidos y electrolitos tenían desequilibrios que abarcan el rango de sodio y potasio, acidosis, alcalosis y depleción de volumen que coinciden entre sí y empeoraron los resultados de COVID-19. Una estrategia alternativa para identificar tales condiciones sería marcar a los pacientes con base en valores anormales de laboratorio en sangre y orina, por ejemplo, aumento de sodio y/o osmolaridad en la orina, que pueden estar más fácilmente disponibles. Sin embargo, tal como está el método actual, esta es una limitación potencial para la usabilidad inmediata del método en otros entornos clínicos prácticos.

Por último, la mortalidad suele ser un punto final clave para identificar a los pacientes que tienen un alto riesgo de eventos adversos o que pueden necesitar un seguimiento más estrecho e intervenciones más agresivas. Sin embargo, dado que la COVID-19 tiene una amplia gama de presentaciones, con muchas anomalías clínicas, la mortalidad no se debe utilizar de forma aislada, y se deben considerar resultados adicionales centrados en el paciente, como la calidad de vida y la atención específicas del paciente, al realizar evaluaciones clínicas. decisiones56,57.

En resumen, la radiografía de tórax portátil es una herramienta valiosa para monitorear y orientar la atención de los pacientes con COVID-19. Este estudio encontró que los patrones de la enfermedad pulmonar por COVID-19 identificados en la radiografía de tórax son predictivos y están significativamente asociados con los resultados de supervivencia de los pacientes hospitalizados con COVID-19. Los modelos de predicción multimodal pueden proporcionar mejoras modestas en el valor pronóstico sobre el factor de riesgo clínico solo, y se necesita más investigación para comprender los fundamentos clínicos y biológicos de estas mejoras para proporcionar información adicional al guiar el manejo de pacientes con COVID-19.

Este fue un análisis de pronóstico de pacientes que (1) ingresaron en Michigan Medicine entre el 10 de marzo de 2020 (fecha del primer caso en este estado) y el 31 de marzo de 2022 (fecha de corte de los datos de EHR publicados), (2 ) dio positivo por COVID-19 o fue transferido con un diagnóstico positivo, y (3) se le tomó al menos una radiografía de tórax relacionada con COVID. Nos enfocamos en pacientes con rayos X porque los pacientes sin imágenes eran en general mucho más jóvenes y saludables, y las imágenes son valiosas para clasificar a los pacientes y administrar los recursos58. Nuestro resultado fue el tiempo desde el ingreso hasta la muerte hospitalaria, censurado por el alta o el final del estudio. El alta se consideró un evento de censura, a excepción del alta para cuidados paliativos, porque la mediana de supervivencia de estos pacientes fue inferior a 30 días después del alta. Como era un fuerte precursor de la muerte, consideramos tanto la muerte en el hospital como el alta al hospicio como eventos de falla (consulte el Suplemento A).

De la base de datos EHR, extrajimos y creamos un conjunto de factores de riesgo demográficos, socioeconómicos y clínicos (consulte el Suplemento B) identificados como relacionados con COVID-19 en la literatura59,60,61,62,63,64,65,66 ,67,68,69,70,71,72. Los datos demográficos de los pacientes incluyeron edad, sexo, raza (negro o no negro), origen étnico (hispano o no hispano), tabaquismo, consumo de alcohol y consumo de drogas. Como los factores socioeconómicos a nivel de paciente no estaban disponibles, creamos cuatro medidas socioeconómicas compuestas a nivel de distrito censal de EE. UU. basadas en las residencias de los pacientes. Estos compuestos, que miden la riqueza, la desventaja, la concentración de inmigrantes étnicos y la educación, se definieron como la proporción de adultos que cumplían con el criterio correspondiente dentro de un tramo censal73,74,75 y se clasificaron además por cuartiles. Para cada una de las veintinueve condiciones de comorbilidad prevalentes comúnmente utilizadas en la literatura55,76,77,78, definimos un indicador binario para señalar si el paciente tenía algún código CIE-10 asociado al ingreso. Por último, obtuvimos mediciones fisiológicas dentro de las 24 h posteriores al ingreso, incluido el índice de masa corporal (kg/m2), la saturación de oxígeno, la temperatura corporal, la frecuencia respiratoria, la presión arterial diastólica y sistólica y la frecuencia cardíaca.

Con múltiples radiografías potencialmente tomadas para un paciente, elegimos la más cercana al momento de la admisión y examinamos su papel en la predicción de la supervivencia del paciente. Primero preprocesamos cada imagen de acuerdo con la canalización que se muestra en la Fig. 2. Primero, antes de la extracción y selección de características, conservamos solo aquellas imágenes tomadas de las posiciones anterior-posterior o posterior-anterior para que la orientación de las imágenes ser comparable. Luego normalizamos estas imágenes para que las intensidades de píxeles de cada imagen se ajustaran a un rango estándar de 0 (negro) a 255 (blanco) unidades. Además, utilizamos la ecualización de histogramas para mejorar el contraste de las imágenes79.

Procedimiento de preprocesamiento de imágenes. Diagrama de flujo de los pasos de preprocesamiento desde (1) selección de imágenes sin procesar, (2) normalización de píxeles, (3) ecualización de histogramas, (4) extracción de características y (5) selección de características.

En términos generales, existen dos enfoques potenciales para la extracción de características, a saber, (1) métodos de inteligencia artificial, que aprenden representaciones de características automáticamente a partir de los datos, y (2) características de textura diseñadas. Si bien se ha demostrado que el aprendizaje profundo tiene una alta precisión de pronóstico, las características aprendidas son difíciles de interpretar, no están estandarizadas y, a menudo, no son reproducibles, lo que puede afectar su confiabilidad80. Por lo tanto, extrajimos un panel estándar de características de textura diseñadas de acuerdo con el flujo de trabajo de PyRadiomics47,81. Específicamente, aplicamos seis filtros diferentes (p. ej., diferentes transformaciones) a las imágenes preprocesadas para adquirir información adicional (p. ej., en los bordes o límites) y derivar diferentes tipos de imágenes (p. ej., forma)47. De los siete filtros de imagen (original + seis transformaciones), extrajimos siete clases de características de cada imagen47,82,83,84, lo que resultó en 1311 características de imagen candidatas. Para obtener una lista corta de características clínicas y de imagen predictivas, realizamos una selección de características ajustando los modelos de riesgos proporcionales de Cox21 en cada característica una a la vez y reteniendo las significativas en el nivel 0.05. Finalmente, seleccionamos las características de mayor importancia y obtuvimos un modelo de Cox final, cuantificando las asociaciones ajustadas de características clínicas y radiómicas importantes con la mortalidad hospitalaria85. Usamos el índice de concordancia (índice C) para evaluar la capacidad predictiva de los modelos27,28 (consulte el Suplemento C). Este estudio fue aprobado por la Junta de Revisión Institucional de Medicina de Michigan (HUM00192931), que renunció al consentimiento informado basado en el análisis secundario de conjuntos de datos no identificados. Todos los análisis se realizaron de acuerdo con las directrices y regulaciones pertinentes.

Implementamos cinco algoritmos de predicción de riesgos, a saber, el modelo de riesgos proporcionales de Cox21, las máquinas de vectores de soporte de supervivencia22, los bosques de supervivencia aleatorios23,86, el aumento del gradiente de supervivencia24 y el promedio de conjunto de los primeros cuatro algoritmos25. El modelo de Cox, el método más utilizado en el análisis de supervivencia, asume una función de riesgo lineal en los predictores. Las máquinas de vectores de soporte de supervivencia22 pueden dar cuenta de relaciones no lineales. Tanto los bosques de supervivencia aleatorios como el aumento del gradiente de supervivencia combinan múltiples predicciones de árboles de supervivencia individuales para lograr una predicción más potente23,24,86,87. El promedio de conjunto combina predicciones de múltiples modelos para producir un resultado deseado y, a menudo, funciona mejor que los modelos individuales al promediar sus errores25. El suplemento D detalla estos métodos.

Utilizamos la validación cruzada para estimar imparcialmente la capacidad predictiva de cada método. Dividimos aleatoriamente los datos en 80 % de entrenamiento y 20 % de muestras de prueba, manteniendo la proporción de eventos en la muestra completa dentro de cada división. Luego, entrenamos los diversos modelos predictivos usando las muestras de entrenamiento y calculamos el índice C usando las muestras de prueba. Repetimos el mismo procedimiento cien veces y tomamos un promedio del índice C para obtener una estimación imparcial del índice C para cada método88,89. Aplicamos cada método con los predictores demográficos y clínicos, seguido de la adición de características radiómicas para evaluar su utilidad pronóstica incremental a través del índice C. Utilizando el promedio de conjunto, que fue el más predictivo (ver la sección de "Resultados"), desarrollamos una puntuación de riesgo para predecir la mortalidad hospitalaria y clasificamos a los pacientes en grupos de bajo y alto riesgo usando la mediana de la puntuación como punto de corte.

Por último, detallamos el proceso de selección de variables para construir un modelo final de Cox. Seleccionamos las características clínicas y de imagen en función de su importancia en la predicción, definida por la disminución absoluta del índice C con la "eliminación" de la característica en cuestión en los datos90. Para hacerlo, dividimos aleatoriamente los datos en 80 % de entrenamiento y 20 % de muestras de prueba, ajustamos el modelo en los datos de entrenamiento y calculamos la importancia de la característica usando los datos de prueba (Suplemento D.6). Repetimos el mismo procedimiento cien veces, seleccionamos las características que eran más importantes (en promedio) entre estos cien experimentos y las incluimos en una regresión de Cox multivariable para evaluar sus asociaciones estadísticas con la mortalidad hospitalaria. Todo el procesamiento y análisis de datos se llevó a cabo con Python (versión 3.8.8), NumPy (versión 1.20.1) y scikit-survival (versión 0.17.2).

Examinamos diferentes subgrupos para evaluar cómo mejoró el rendimiento de predicción del modelo con las características radiómicas añadidas. Debido a que la edad y la carga de comorbilidad fueron los más relevantes para la supervivencia entre los factores clínicos, consideramos subgrupos de pacientes definidos por edad (> versus ≤ 65 años) y número de comorbilidades al ingreso (> versus ≤ mediana de siete comorbilidades), respectivamente. Comparamos el cambio en el rendimiento de la predicción con la adición de características radiómicas entre diferentes subgrupos.

Este estudio fue aprobado por la Junta de Revisión Institucional de Medicina de Michigan (HUM00192931), que renunció al consentimiento informado basado en el análisis secundario de conjuntos de datos no identificados. Todos los análisis se realizaron de acuerdo con las directrices y regulaciones pertinentes.

Los conjuntos de datos utilizados en este estudio no están disponibles públicamente debido a la necesidad de la aprobación de la junta de revisión institucional como investigador afiliado a la Universidad de Michigan a través de la Iniciativa de Salud de Precisión del Sistema de Salud de la Universidad de Michigan (es decir, Medicina de Michigan). Para obtener más información, comuníquese con [email protected].

Todo el código utilizado para producir los resultados encontrados en este trabajo se ha puesto a disposición del público en https://github.com/YumingSun/COVID_Imaging_Prediction.

Centros de Control y Prevención de Enfermedades. Rastreador de datos covid de los CDC. https://covid.cdc.gov/covid-data-tracker/ (Consultado el 13 de junio de 2022) (2022).

Karim, SSA & Karim, QA Omicron sars-cov-2 variant: Un nuevo capítulo en la pandemia de covid-19. Lanceta 398 (10317), 2126–2128 (2021).

Artículo CAS PubMed PubMed Central Google Scholar

Kupferschmidt, K. & Wadman, M. La variante Delta desencadena una nueva fase en la pandemia. Ciencia 372 (6549), 1375–1376 (2021).

Artículo ADS CAS Google Académico

McCue, C. et al. Resultados a largo plazo de pacientes con neumonía por covid-19 en estado crítico: aprendizaje temprano. Medicina de Cuidados Intensivos 47(2), 240–241 (2021).

Artículo CAS PubMed Google Académico

Michelen, M. et al. Caracterización de covid-19 a largo plazo: una revisión sistemática viva. Globo BMJ. Salud 6(9), e005427 (2021).

Artículo PubMed Google Académico

Jacobi, A. et al. Radiografía de tórax portátil en la enfermedad por coronavirus-19 (covid-19): una revisión pictórica. clin. Imágenes 64, 35–42 (2020).

Artículo PubMed PubMed Central Google Académico

Kim, HW et al. El papel de la radiografía de tórax inicial en el triaje de pacientes con sospecha de covid-19 durante la pandemia. emergente Radiol. 27(6), 617–621 (2020).

Artículo PubMed PubMed Central Google Académico

Akl, EA et al. Uso de imágenes de tórax en el diagnóstico y manejo de covid-19: una guía de consejos rápidos de la OMS. Radiología 298(2), E63–E69 (2021).

Artículo PubMed Google Académico

Borkowski, AA et al. Uso de inteligencia artificial para el diagnóstico de radiografía de tórax covid-19. Alimentado. Practica 37(9), 398–404 (2020).

PubMed PubMed Central Google Académico

Balbi, M. et al. Radiografía de tórax para predecir mortalidad y necesidad de soporte ventilatorio en pacientes con covid-19 que acuden al servicio de urgencias. EUR. Radiol. 31(4), 1999–2012 (2021).

Artículo CAS PubMed Google Académico

Maroldi, R. et al. ¿Qué papel tiene la puntuación de la radiografía de tórax en la predicción del resultado de la neumonía por covid-19?. EUR. Radiol. 31(6), 4016–4022 (2021).

Artículo CAS PubMed Google Académico

Mónaco, CG et al. Puntuación de gravedad de la radiografía de tórax en pacientes con covid-19 al ingreso en el departamento de emergencia: un estudio de dos centros. EUR. Radiol. Exp. 4(1), 68 (2020).

Artículo PubMed PubMed Central Google Académico

Hussain, L. et al. La clasificación de aprendizaje automático de las características de textura de la radiografía de tórax portátil clasifica con precisión la infección pulmonar por covid-19. biomedicina Ing. En línea 19(1), 88 (2020).

Artículo PubMed PubMed Central Google Académico

Ismael, AM & Şengür, A. Enfoques de aprendizaje profundo para la detección de covid-19 basados ​​en imágenes de rayos X de tórax. Sistema experto aplicación 164(114), 054 (2021).

Google Académico

Salvatore, M. et al. Un estudio de asociación de todo el fenómeno (phewas) de los resultados de covid-19 por raza utilizando los datos de registros de salud electrónicos en la medicina de Michigan. J. Clin. Medicina. 10(7), 1351 (2021).

Artículo CAS PubMed PubMed Central Google Scholar

Spector-Bagdady, K. et al. Supervisión de ensayos clínicos de la enfermedad por coronavirus 2019 (covid-19) en un importante centro médico académico: enfoque de la medicina de Michigan. clin. Infectar. Dis. 71(16), 2187–2190 (2020).

Artículo CAS PubMed Google Académico

Nypaver, M. et al. La colaboración para la mejora del departamento de emergencias de michigan: un modelo novedoso para implementar un cambio de práctica a gran escala en la atención de emergencias pediátricas. Pediatría 142(1 MeetingAbstract), 105 (2018).

Artículo Google Académico

Abbas, A., Abdelsamea, MM & Gaber, MM Clasificación de COVID-19 en imágenes de rayos X de tórax utilizando la red neuronal convolucional profunda DeTraC. aplicación Intel. 51, 854–864 (2021).

Artículo Google Académico

Gupta, A. et al. Asociación entre el uso previo de estatinas y la disminución de la mortalidad en pacientes hospitalizados con COVID-19. Nat. común 12(1), 1325 (2021).

Artículo ADS CAS PubMed PubMed Central Google Scholar

Cox, DR Modelos de regresión y tablas de vida (con discusión). Estado JR. Soc. B 34(2), 187–220 (1972).

Matemáticas Google Académico

Therneau, TM & Grambsch, PM Modelado de datos de supervivencia: Ampliación del modelo de Cox. En The Cox Model 39–77 (Springer, 2000).

Matemáticas Google Académico

Pölsterl, S., Navab, N. & Katouzian, A. Un algoritmo de entrenamiento eficiente para máquinas de vectores de soporte de supervivencia del núcleo. https://doi.org/10.48550/arXiv.1611.07054 (Preprint publicado en línea el 21 de noviembre de 2016).

Ishwaran, H. et al. Bosques de supervivencia aleatorios. Ana. aplicación Estadística 2(3), 841–860 (2008).

Artículo MathSciNet MATEMÁTICAS Google Académico

Hothorn, T. et al. Conjuntos de supervivencia. Bioestadística 7(3), 355–373 (2006).

Artículo PubMed MATEMÁTICAS Google Académico

Zhou, ZH Métodos de conjunto: fundamentos y algoritmos (CRC Press, 2012).

Libro Google Académico

Zwanenburg, A. et al. Iniciativa de estandarización de biomarcadores de imágenes. https://doi.org/10.48550/arXiv.1612.07003 (Preprint publicado en línea el 21 de diciembre de 2016)

Harrell, FE et al. Evaluación del rendimiento de las pruebas médicas. JAMA 247(18), 2543–2546 (1982).

Artículo PubMed Google Académico

Harrell, FE Jr., Lee, KL & Mark, DB Modelos de pronóstico multivariable: problemas en el desarrollo de modelos, evaluación de suposiciones y adecuación, y medición y reducción de errores. Estadística Medicina. 15(4), 361–387 (1996).

3.0.CO;2-4" data-track-action="article reference" href="https://doi.org/10.1002%2F%28SICI%291097-0258%2819960229%2915%3A4%3C361%3A%3AAID-SIM168%3E3.0.CO%3B2-4" aria-label="Article reference 28" data-doi="10.1002/(SICI)1097-0258(19960229)15:43.0.CO;2-4">Artículo PubMed Google Académico

Holste, G. et al. Aprendizaje de extremo a extremo de características de imagen fusionada y sin imagen para mejorar la clasificación del cáncer de mama a partir de resonancia magnética. En Actas de la Conferencia internacional IEEE/CVF sobre visión artificial, 3294–3303 (2021).

Zhou, H. et al. Diagnóstico de metástasis a distancia de cáncer de pulmón: basado en características clínicas y radiómicas. Traducir oncol. 11(1), 31–36 (2018).

Artículo PubMed Google Académico

Militello, C. et al. Características radiómicas de la TC y biomarcadores clínicos para predecir la enfermedad de las arterias coronarias. Cog. computar 15(1), 238–253 (2023).

Artículo Google Académico

Huang, SC et al. Fusión multimodal con redes neuronales profundas para aprovechar las imágenes de TC y el registro de salud electrónico: un estudio de caso en la detección de embolia pulmonar. ciencia Rep. 10(1), 1–9 (2020).

Artículo Google Académico

Liu, Z. et al. Genómica de imágenes para un diagnóstico y tratamiento precisos de tumores: una visión general de vanguardia. biomedicina Farmacéutico. 135, 111173 (2021).

Artículo CAS PubMed Google Académico

Tomaszewski, MR & Gillies, RJ El significado biológico de las características radiómicas. Radiología 298(3), 505–516 (2021).

Artículo PubMed Google Académico

Brouqui, P. et al. La hipoxia asintomática en COVID-19 se asocia con un mal resultado. En t. J. infectar. Dis. 102, 233–238 (2021).

Artículo CAS PubMed Google Académico

Struyf, T. et al. Grupo Cochrane de Precisión de la Prueba de Diagnóstico COVID-19. Signos y síntomas para determinar si un paciente que se presenta en un entorno de atención primaria o ambulatorio del hospital tiene COVID-19. Sistema de base de datos Cochrane. Rev. (5) (2022).

Garrafa, E. et al. Predicción temprana de la muerte hospitalaria de pacientes con covid-19: un modelo de aprendizaje automático basado en la edad, los análisis de sangre y la puntuación de la radiografía de tórax. Elife 10, e70640 (2021).

Artículo CAS PubMed PubMed Central Google Scholar

Schalekamp, ​​S. et al. Predicción basada en modelos de enfermedad crítica en pacientes hospitalizados con covid-19. Radiología 298(1), E46–E54 (2021).

Artículo PubMed Google Académico

Soda, P. et al. Aiforcovid: Predicción de los resultados clínicos en pacientes con covid-19 aplicando ia a las radiografías de tórax. Un estudio multicéntrico italiano. Medicina. Anal de imagen. 74, 102216 (2021).

Artículo PubMed PubMed Central Google Académico

Shen, B. et al. Las puntuaciones iniciales de la radiografía de tórax informan el estado de covid-19, el ingreso en la unidad de cuidados intensivos y la necesidad de ventilación mecánica. clin. Radiol. 76(6), 473.e1-473.e7 (2021).

Artículo CAS PubMed Google Académico

Liu, Y. et al. Heterogeneidad tumoral evaluada por análisis de textura en TC con contraste en adenocarcinoma de pulmón: Asociación con grado patológico. Oncotarget 8(32), 53664–53674 (2017).

Artículo PubMed PubMed Central Google Académico

Krizhevsky, A., Sutskever, I. & Hinton, GE Clasificación Imagenet con redes neuronales convolucionales profundas. Adv. Neural. información Proceso. sist. 25, 1–9 (2012).

Google Académico

Él, K. et al. Aprendizaje residual profundo para el reconocimiento de imágenes. En Actas de la Conferencia IEEE sobre visión artificial y reconocimiento de patrones, 770–778 (2016).

Chandra, TB et al. Detección de la enfermedad por coronavirus (covid19) en imágenes de rayos X de tórax utilizando un conjunto clasificador basado en votación mayoritaria. Sistema experto aplicación 165(113), 909 (2021).

Google Académico

Johri, S. et al. Un marco analítico novedoso basado en el aprendizaje automático para la detección automática de covid-19 utilizando imágenes de rayos X de tórax. En t. J. Sistema de imágenes. Tecnología 31(3), 1105–1119 (2021).

Artículo Google Académico

Selvi, JT, Subhashini, K. & Methini, M. Investigación de imágenes de rayos X de tórax covid-19 utilizando características de textura: un enfoque integral. Computacional 1, 45–58 (2021).

Matemáticas Google Académico

van Griethuysen, JJM et al. Sistema de radiómica computacional para decodificar el fenotipo radiográfico. Cáncer Res. 77(21), e104–e107 (2017).

Artículo PubMed PubMed Central Google Académico

Zhang, Q., Wu, YN & Zhu, SC Redes neuronales convolucionales interpretables. En Actas de la Conferencia IEEE sobre visión artificial y reconocimiento de patrones, 8827–8836 (2018).

Varghese, BA et al. Predicción de resultados clínicos en covid-19 usando radiómica en radiografías de tórax. Hermano J. Radiol. 94(1126), 20210221 (2021).

Artículo PubMed Google Académico

Iori, M. et al. Predicción de la mortalidad de pacientes con COVID-19 utilizando características radiómicas y de redes neuronales extraídas de un tamaño de muestra amplio de rayos X de tórax: un enfoque sólido para diferentes escenarios médicos desequilibrados. aplicación ciencia 12(8), 3903 (2022).

Artículo CAS Google Académico

Blain, M. et al. Determinación de la gravedad de la enfermedad en pacientes con covid-19 mediante aprendizaje profundo en imágenes de rayos X de tórax. Diagnóstico interv. Radiol. 27(1), 20–27 (2021).

Artículo PubMed Google Académico

Liu, X. et al. Cambios radiográficos temporales en pacientes con covid-19: relación con la gravedad de la enfermedad y la eliminación viral. ciencia Rep. 10(1), 10263 (2020).

Artículo ADS CAS PubMed PubMed Central Google Scholar

Yasin, R. & Gouda, W. Hallazgos de rayos X de tórax que monitorean el curso y la gravedad de la enfermedad covid-19. Egipto. J. Radiol. Núcleo Medicina. 51(1), 193 (2020).

Artículo Google Académico

Castelli, G. et al. Comunicación breve: Puntuación de radiografía de tórax en pacientes jóvenes con covid-19: ¿Una talla sirve para todos?. PLoS ONE 17(2), e0264172 (2022).

Artículo CAS PubMed PubMed Central Google Scholar

Quan, H. et al. Algoritmos de codificación para definir comorbilidades en datos administrativos icd-9-cm y icd-10. Medicina. Atención 43(11), 1130–1139 (2005).

Artículo PubMed Google Académico

Cau, R. et al. Diagnóstico prolongado de COVID: desde diagnósticos hasta modelos avanzados impulsados ​​por IA. EUR. J. Radiol. 148, 110164 (2022).

Artículo PubMed PubMed Central Google Académico

Sudre, CH et al. Atributos y predictores de larga COVID. Nat. Medicina. 27(4), 626–631 (2021).

Artículo CAS PubMed PubMed Central Google Scholar

Jiao, Z. et al. Pronóstico de pacientes con covid-19 utilizando inteligencia artificial basada en radiografías de tórax y datos clínicos: un estudio retrospectivo. Dígito de lanceta. Salud 3(5), e286–e294 (2021).

Artículo CAS PubMed PubMed Central Google Scholar

Alqahtani, JS et al. Prevalencia, gravedad y mortalidad asociadas con la EPOC y el tabaquismo en pacientes con covid-19: una revisión sistemática rápida y un metanálisis. PLoS ONE 15(5), e0233147 (2020).

Artículo CAS PubMed PubMed Central Google Scholar

Centros de Control y Prevención de Enfermedades. Evidencia científica de condiciones asociadas con un mayor riesgo de covid-19 grave. https://www.cdc.gov/coronavirus/2019-ncov/science/sciencebriefs/underlying-evidence-table.html (Consultado el 13 de junio de 2022) (2022).

Ebinger, JE et al. Rasgos preexistentes asociados con la gravedad de la enfermedad de covid-19. PLoS ONE 15(7), e0236240 (2020).

Artículo CAS PubMed PubMed Central Google Scholar

Jordan, RE, Adab, P. & Cheng, KK Covid-19: Factores de riesgo de enfermedad grave y muerte. BMW 368, m1198 (2020).

Artículo PubMed Google Académico

Khan, MMA et al. Efectos de las morbilidades subyacentes en la ocurrencia de muertes en pacientes con covid-19: una revisión sistemática y un metanálisis. J. Globo. Salud 10(2), 020503 (2020).

Artículo PubMed PubMed Central Google Académico

Kim, L. et al. Factores de riesgo para el ingreso en la unidad de cuidados intensivos y la mortalidad hospitalaria entre adultos hospitalizados identificados a través de la red de vigilancia de hospitalizaciones asociadas a la enfermedad por coronavirus de EE. UU. 2019 (covid-19) (covid-net). clin. Infectar. Dis. 72(9), e206–e214 (2021).

Artículo CAS PubMed Google Académico

Mikami, T. et al. Factores de riesgo de mortalidad en pacientes con covid-19 en la ciudad de nueva york. J. Gen. Pasante. Medicina. 36(1), 17–26 (2021).

Artículo PubMed Google Académico

Rod, JE, Oviedo-Trespalacios, O. & Cortes-Ramirez, J. Una breve revisión de los factores de riesgo para la gravedad de COVID-19. Rev. Padre. Salud Pública 54, 60 (2020).

Artículo CAS PubMed PubMed Central Google Scholar

Salerno, S. et al. Evaluación integral de los resultados a corto y largo plazo de los pacientes con covid-19: disparidades en la utilización de la atención médica y los resultados posteriores a la hospitalización. PLoS ONE 16(10), e0258278 (2021).

Artículo CAS PubMed PubMed Central Google Scholar

Ssentongo, P. et al. Asociación de la enfermedad cardiovascular y otras 10 comorbilidades preexistentes con la mortalidad por covid-19: una revisión sistemática y un metanálisis. PLoS ONE 15(8), e0238215 (2020).

Artículo CAS PubMed PubMed Central Google Scholar

Wang, B. et al. ¿La comorbilidad aumenta el riesgo de los pacientes con covid-19: evidencia del metanálisis? Envejecimiento 12(7), 6049–6057 (2020).

Artículo CAS PubMed PubMed Central Google Scholar

Williamson, EJ et al. Factores asociados con la muerte relacionada con covid-19 usando opensafely. Naturaleza 584(7821), 430–436 (2020).

Artículo CAS PubMed PubMed Central Google Scholar

Wu, Z. & McGoogan, JM Características y lecciones importantes del brote de la enfermedad por coronavirus 2019 (covid-19) en China: resumen de un informe de 72314 casos del centro chino para el control y la prevención de enfermedades. JAMA 323(13), 1239–1242 (2020).

Artículo CAS PubMed Google Académico

Yang, J. et al. Prevalencia de comorbilidades y sus efectos en pacientes infectados con SARS-CoV-2: una revisión sistemática y metanálisis. En t. J. infectar. Dis. 94, 91–95 (2020).

Artículo CAS PubMed PubMed Central Google Scholar

Clarke, P. & Melendez, R. (Ann Arbor, MI) Archivo nacional de datos de vecindarios (nanda): características socioeconómicas y demográficas de los distritos censales de los vecindarios, estados unidos, 2000–2010. Consorcio Interuniversitario de Investigaciones Políticas y Sociales.

Gu, T. et al. Características asociadas con las disparidades raciales/étnicas en los resultados de covid-19 en un sistema académico de atención médica. Red JAMA Abierto 3(10), e2025197 (2020).

Artículo PubMed PubMed Central Google Académico

Salerno, S. et al. Patrones de pruebas diagnósticas repetidas para covid-19 en relación con las características y los resultados del paciente. J. Pasante. Medicina. 289(5), 726–737 (2021).

Artículo CAS PubMed Google Académico

Crabb, BT et al. Comparación de la clasificación internacional de enfermedades y problemas de salud relacionados, códigos de décima revisión con registros médicos electrónicos entre pacientes con síntomas de enfermedad por coronavirus 2019. JAMA Netw. Abierto 3(8), e2017703 (2020).

Artículo PubMed PubMed Central Google Académico

Elixhauser, A. et al. medidas de comorbilidad para su uso con datos administrativos. Medicina. Cuidado 36(1), 8–27 (1998).

Artículo CAS PubMed Google Académico

van Walraven, C. et al. Una modificación de las medidas de comorbilidad de elixhauser en un sistema de puntos para muerte hospitalaria utilizando datos administrativos. Medicina. Atención 47(6), 626–633 (2009).

Artículo PubMed Google Académico

Jain, AK Fundamentos del procesamiento de imágenes digitales (Prentice-Hall Inc, 1989).

Matemáticas Google Académico

Yip, SS & Aerts, HJ Aplicaciones y limitaciones de la radiómica. física Medicina. Biol. 61(13), R150 (2016).

Artículo ADS CAS PubMed PubMed Central Google Scholar

Galloway, MM Análisis de textura utilizando longitudes de ejecución de nivel de gris. computar Grafico. Proceso de imagen. 4(2), 172–179 (1975).

Artículo Google Académico

Chu, A., Sehgal, CM y Greenleaf, JF Uso de la distribución de valores grises de longitudes de ejecución para el análisis de textura. Reconocimiento de patrones. Letón. 11(6), 415–419 (1990).

Artículo ADS MATH Google Scholar

Haralick, RM, Shanmugam, K. & Dinstein, I. Características texturales para la clasificación de imágenes. Trans. IEEE. sist. Hombre cibernético. SMC 3(6), 610–621 (1973).

Artículo Google Académico

Thibault, G. et al. Aplicación de índices de forma y textura a la clasificación de núcleos celulares. En t. J. Reconocimiento de patrones. Artefacto Intel. 27(01), 1357002 (2013).

Artículo MathSciNet Google Académico

Fisher, A., Rudin, C. & Dominici, F. Todos los modelos son incorrectos, pero muchos son útiles: aprender la importancia de una variable mediante el estudio de una clase completa de modelos de predicción simultáneamente. J. Mach. Aprender. Res. 20(177), 1–81 (2019).

MathSciNet CAS MATEMÁTICAS Google Académico

Ishwaran, H. et al. Bosques de supervivencia aleatorios para datos de alta dimensión. Estadística Anal. Datos mín. Ciencia de datos de ASA. J. 4(1), 115–132 (2011).

Artículo MathSciNet MATEMÁTICAS Google Académico

Salerno, S. & Li, Y. Análisis de supervivencia de alta dimensión: métodos y aplicaciones. https://doi.org/10.48550/arXiv.2205.02948 (Preprint publicado en línea el 5 de mayo de 2022).

Uno, H. et al. Evaluación de las reglas de predicción para supervivientes de t años con modelos de regresión censurados. Mermelada. Estadística Asoc. 102(478), 527–537 (2007).

Artículo MathSciNet CAS MATH Google Académico

Uno, H. et al. Sobre las estadísticas c para evaluar la adecuación general de los procedimientos de predicción de riesgo con datos de supervivencia censurados. Estadística Medicina. 30(10), 1105–1117 (2011).

Artículo MathSciNet PubMed PubMed Central Google Scholar

Breiman, L. Bosques aleatorios. Mach. Aprender. 45(1), 5–32 (2001).

Artículo MATEMÁTICAS Google Académico

Descargar referencias

Agradecemos al Dr. Brahmajee Nallamothu por liderar el desarrollo y la conservación de DataDirect, una plataforma de análisis basada en GPU lanzada recientemente a través de la Iniciativa de salud de precisión de Michigan Medicine. Agradecemos a Anisa Driscoll y Cinzia Smothers por su continuo apoyo analítico con respecto a la gestión de bases de datos, el procesamiento de datos y el uso de la plataforma DataDirect. Además, nos gustaría agradecer al Dr. Hamid Usefi y a dos revisores por sus valiosos comentarios y sugerencias, que han beneficiado la revisión de este manuscrito.

Institutos Nacionales de Salud, subvención del Instituto Nacional del Cáncer R01-CA249096-01A1 (YL).

Estos autores contribuyeron por igual: Yuming Sun y Stephen Salerno.

Departamento de Bioestadística, Universidad de Michigan, 1415 Washington Heights, Ann Arbor, MI, 48109, EE. UU.

Yuming Sun, Stephen Salerno, Xinwei He, Ziyang Pan, Eileen Yang, Chinakorn Sujimongkol, Jiyeon Song, Peisong Han, Jian Kang y Yi Li

Departamento de Salud Ambiental y Epidemiología, Harvard TH Chan School of Public Health, 677 Huntington Avenue, Boston, MA, 02115, EE. UU.

Xinan Wang y David C. Christiani

División de Cuidados Pulmonares y Críticos, Departamento de Medicina Interna, Facultad de Medicina de la Universidad de Michigan, 1500 East Medical Center Drive, Ann Arbor, MI, 48109, EE. UU.

Michael W. Sjoding

Departamento de Oncología Radioterápica, Centro Oncológico Rogel de la Universidad de Michigan, 1500 East Medical Center Drive, Ann Arbor, MI, 48109, EE. UU.

Shruti alegre

División de Cuidados Pulmonares y Críticos, Departamento de Medicina Interna, Hospital General de Massachusetts, 55 Fruit Street, Boston, MA, 02114, EE. UU.

David C Christiani

También puede buscar este autor en PubMed Google Scholar

También puede buscar este autor en PubMed Google Scholar

También puede buscar este autor en PubMed Google Scholar

También puede buscar este autor en PubMed Google Scholar

También puede buscar este autor en PubMed Google Scholar

También puede buscar este autor en PubMed Google Scholar

También puede buscar este autor en PubMed Google Scholar

También puede buscar este autor en PubMed Google Scholar

También puede buscar este autor en PubMed Google Scholar

También puede buscar este autor en PubMed Google Scholar

También puede buscar este autor en PubMed Google Scholar

También puede buscar este autor en PubMed Google Scholar

También puede buscar este autor en PubMed Google Scholar

También puede buscar este autor en PubMed Google Scholar

Conceptualización: YS, SS, PH, JK, YL Metodología: YS, SS, XW, PH, JK, MWS, SJ, DCC, YL Investigación: YS, SS, XH, ZP, EY, CS, JS, XW Visualización: YS , SS Supervisión: XW, PH, JK, MWS, SJ, DCC, YL Redacción: borrador original: YS, SS, XH, YL Redacción: revisión y edición: YS, SS, XH, ZP, EY, CS, JS, XW , PH, JK, MWS, SJ, DCC, YL

Correspondencia a Yi Li.

Los autores declaran no tener conflictos de intereses.

Springer Nature se mantiene neutral con respecto a los reclamos jurisdiccionales en mapas publicados y afiliaciones institucionales.

Acceso abierto Este artículo tiene una licencia internacional Creative Commons Attribution 4.0, que permite el uso, el intercambio, la adaptación, la distribución y la reproducción en cualquier medio o formato, siempre que se otorgue el crédito correspondiente al autor o autores originales y a la fuente. proporcionar un enlace a la licencia Creative Commons e indicar si se realizaron cambios. Las imágenes u otro material de terceros en este artículo están incluidos en la licencia Creative Commons del artículo, a menos que se indique lo contrario en una línea de crédito al material. Si el material no está incluido en la licencia Creative Commons del artículo y su uso previsto no está permitido por la regulación legal o excede el uso permitido, deberá obtener el permiso directamente del titular de los derechos de autor. Para ver una copia de esta licencia, visite http://creativecommons.org/licenses/by/4.0/.

Reimpresiones y permisos

Sun, Y., Salerno, S., He, X. et al. Uso del aprendizaje automático para evaluar la utilidad pronóstica de las características radiómicas para la mortalidad hospitalaria por COVID-19. Informe científico 13, 7318 (2023). https://doi.org/10.1038/s41598-023-34559-0

Descargar cita

Recibido: 29 de septiembre de 2022

Aceptado: 03 mayo 2023

Publicado: 05 mayo 2023

DOI: https://doi.org/10.1038/s41598-023-34559-0

Cualquier persona con la que compartas el siguiente enlace podrá leer este contenido:

Lo sentimos, un enlace para compartir no está disponible actualmente para este artículo.

Proporcionado por la iniciativa de intercambio de contenido Springer Nature SharedIt

Al enviar un comentario, acepta cumplir con nuestros Términos y Pautas de la comunidad. Si encuentra algo abusivo o que no cumple con nuestros términos o pautas, márquelo como inapropiado.