Key points are not available for this paper at this time.
خلفية: تقيّم هذه الدراسة تأثير السكري على بقاء المرضى الذين تم إدخالهم في المستشفى بسبب COVID-19 في المكسيك من خلال دمج الأساليب التقليدية للبقاء (متوسط الوقت للبقاء المقيد، RMST) مع تنبؤات التعلم الآلي (ML). الهدف هو فهم كيفية تأثير السكري والأمراض المصاحبة على البقاء على المدى القصير وتطوير نماذج دقيقة وقابلة للتفسير تدعم اتخاذ القرار القائم على البيانات. الطرق: تم تحليل مجموعة بيانات وطنية تتجاوز مليون حالة COVID-19. تم مطابقة مجموعات مرضى السكري وغير السكري باستخدام نقاط الميل بناءً على متغيرات ملحوظة رئيسية (مثل العمر، الجنس، والأمراض المصاحبة). تم تقدير الفروقات في RMST باستخدام منحنيات البقاء والاختبارات الإحصائية. بشكل منفصل، تم تدريب نماذج التعلم الآلي (غابة عشوائية (RF) والشبكة العصبية العميقة التغيرية (VDNN)) لتوقع قيم RMST الفردية، واستخدمت SHapley Additive exPlanations (SHAP) لتفسير النموذج. النتائج: كان RMST لمرضى السكري أقل من ذلك لمرضى غير السكري، مع فرق قدره 2.32 يومًا (p = 0.0583) بعد المطابقة. حققت النماذج التنبؤية صلاحية داخلية قوية (R² ≥ 0.60). كشفت تحليلات SHAP عن السمنة، التدخين، وارتفاع ضغط الدم باعتبارها أهم المتنبئين، وأشارت إلى أن المتغيرات الزمنية والأمراض المصاحبة لعبت دورًا مركزيًا في البقاء على المدى القصير. الخلاصة: يوفر دمج تحليل البقاء مع التعلم الآلي رؤى استنتاجية وتنبؤية حول مخاطر الوفيات لمرضى COVID-19 المصابين بالسكري. والأهم من ذلك، تظهر النتائج أن تحليلات البقاء التقليدية مع التعلم الآلي الحديث تقدم توقعات دقيقة وقابلة للتفسير يمكن أن تدعم التدخلات الشخصية المخصصة للمرضى المصابين بـ COVID-19 والداء السكري المصاحب: مثل إعطاء الأولوية للرصد السريرى المبكر، وخطط العلاج الفردية، أو قرارات إدخال المستشفى المستندة إلى المخاطر، وتوجيه تخصيص أكثر كفاءة لموارد الرعاية الصحية.
درس فارغاس-سانتياغو وآخرون (مون) هذا السؤال.