गंभीर रूप से बीमार COVID-19 रोगियों में मृत्यु दर के लिए भविष्यवाणी मॉडल का विकास और मान्यता

पृष्ठभूमि प्रोलोग्नोसिस की प्रारंभिक भविष्यवाणी गंभीर रूप से बीमार कोरोनावायरस बीमारी (COVID-19) रोगियों में मृत्यु दर को कम करने के लिए प्रारंभिक उपचार उपायों में मदद कर सकती है। इस अध्ययन का उद्देश्य गंभीर रूप से बीमार COVID-19 रोगियों के लिए मृत्यु दर की भविष्यवाणी मॉडल विकसित करना था। विधियाँ यह पश्चातवर्ती अध्ययन अप्रैल और जून 2022 के बीच एक गहन देखभाल इकाई में गंभीर रूप से बीमार COVID-19 रोगियों के नैदानिक डेटा का विश्लेषण करता है। भ्रमित कारकों के प्रभाव को कम करने के लिए प्रवृत्ति मिलान स्कोर का उपयोग किया गया। लॉजिस्टिक रिग्रेशन विश्लेषण का उपयोग करके एक भविष्यवाणी मॉडल बनाया गया और इसे एक नॉमोग्राम के माध्यम से दृश्य रूप में प्रस्तुत किया गया। मॉडल की सटीकता और भविष्यवाणी मूल्य के अनुमान के लिए कैलिब्रेशन और रिसीवर ऑपरेटिंग विशेषता (ROC) कर्व का उपयोग किया गया। निर्णय कर्व विश्लेषण (DCA) का उपयोग इस मॉडल के नैदानिक हस्तक्षेपों के लिए मूल्य की जांच करने के लिए किया गया। निष्कर्ष कुल 137 गंभीर रूप से बीमार COVID-19 रोगियों को शामिल किया गया; 84 बच गए, और 53 की मृत्यु हो गई। एकल-चर और बहु-चर लॉजिस्टिक रिग्रेशन विश्लेषणों ने दिखाया कि एस्पार्टेट अमिनोट्रांसफरेज़ (AST), क्रिएटिनिन, और मेरीोग्लोबिन स्तर स्वतंत्र पूर्वानुमान कारक थे। हमने सात सबसे कम पूर्ण संकुचन और चयन ऑपरेटर रिग्रेशन द्वारा चुने गए चर (हैमटोकिट, लाल रक्त कोशिका वितरण चौड़ाई-मानक विचलन, प्रोकार्सिटोनिन, AST, क्रिएटिनिन, पोटेशियम, और मेरीोग्लोबिन; मॉडल 1) और तीन स्वतंत्र कारक चर (मॉडल 2) का उपयोग करके लॉजिस्टिक रिग्रेशन भविष्यवाणी मॉडल बनाए। कैलिब्रेशन कर्व ने सुझाव दिया कि दो मॉडलों की वास्तविक भविष्यवाणियाँ आदर्श भविष्यवाणियों के समान थीं। ROC कर्व ने संकेत दिया कि दोनों मॉडलों में अच्छी भविष्यवाणी शक्ति है, और मॉडल 1 में मॉडल 2 की तुलना में बेहतर भविष्यवाणी शक्ति थी। DCA परिणामों ने सुझाव दिया कि मॉडल हस्तक्षेप रोगियों के लिए लाभकारी था और रोगियों को मॉडल 1 से मॉडल 2 की तुलना में अधिक लाभ हुआ। निष्कर्ष भविष्यवाणी मॉडल का निर्माण चरात्मक चर का उपयोग करते हुए LASSO रिग्रेशन द्वारा पहचान कर सकता है जो गंभीर रूप से बीमार COVID-19 रोगियों की प्रोलोग्नोसिस को सटीकता से भविष्यवाणी कर सकता है। यह मॉडल चिकित्सकों को प्रारंभिक हस्तक्षेप लागू करने में सहायता कर सकता है। भविष्यवाणी के लिए बाहरी मान्यता संभाव्य बड़े-नमूना अध्ययनों द्वारा आवश्यक है।