Utilisation de l'apprentissage automatique pour évaluer l'utilité pronostique des caractéristiques radiomiques pour

Sep 03, 2023

Rapports scientifiques volume 13, Numéro d'article : 7318 (2023) Citer cet article

350 accès

2 Altmétrique

Détails des métriques

Comme les radiographies pulmonaires portables sont un moyen efficace de trier les cas émergents, leur utilisation a soulevé la question de savoir si l'imagerie a une utilité pronostique supplémentaire pour la survie des patients atteints de COVID-19. Cette étude a évalué l'importance des facteurs de risque connus sur la mortalité hospitalière et a étudié l'utilité prédictive des caractéristiques de texture radiomique à l'aide de diverses approches d'apprentissage automatique. Nous avons détecté des améliorations progressives dans le pronostic de survie en utilisant des caractéristiques de texture dérivées de radiographies pulmonaires émergentes, en particulier chez les patients âgés ou ceux présentant un fardeau de comorbidité plus élevé. Les caractéristiques importantes comprenaient l'âge, la saturation en oxygène, la pression artérielle et certaines conditions comorbides, ainsi que les caractéristiques de l'image liées à l'intensité et à la variabilité de la distribution des pixels. Ainsi, des radiographies pulmonaires largement disponibles, associées à des informations cliniques, peuvent être prédictives des résultats de survie des patients atteints de COVID-19, en particulier des patients plus âgés et plus malades, et peuvent aider à la gestion de la maladie en fournissant des informations supplémentaires.

Le COVID-19 a entraîné plus de quatre-vingt-cinq millions de cas et plus d'un million de décès aux États-Unis1. Avec les préoccupations constantes concernant les résurgences futures2,3, et dans un effort pour améliorer le traitement et la prise en charge des patients infectés, les méthodes fondées sur des principes de stratification des risques et de pronostic de survie sont d'une importance cruciale4,5. Les premiers rapports décrivaient des orientations diagnostiques pour évaluer les anomalies radiographiques pulmonaires dans les services d'urgence, y compris les opacités réticulonodulaires inégales ou diffuses en «verre dépoli» (GGO) et la consolidation avec une prédominance basale, périphérique et bilatérale6,7. Des études récentes ont préconisé l'utilisation de radiographies pulmonaires pour classer les patients atteints de COVID-198,9 via des systèmes de notation tels que le score de Brixia spécifique au COVID, qui évalue l'atteinte pulmonaire sur une échelle de 0 à 18, ou le pourcentage d'atteinte pulmonaire10,11,12. Alors que les approches automatisées pour la classification des maladies ont atteint une précision diagnostique élevée (> 90 %)13, il y a peu de recherches utilisant des caractéristiques radiomiques pour prédire les résultats cliniques des patients admis avec COVID-19 en raison de leur nature hétérogène et de grande dimension, ainsi que de l'indisponibilité des données14. L'utilité supplémentaire de telles caractéristiques pour prédire la mortalité hospitalière, au-delà des facteurs de risque cliniques, est largement inconnue14.

Le système de santé de l'Université du Michigan (ou Michigan Medicine), en tant que l'un des principaux centres régionaux gérant les soins aux patients atteints de COVID-19 pendant la pandémie, a recueilli une multitude de données d'images radiographiques, en plus des données démographiques et cliniques, via le dossier de santé électronique (DSE)15,16. La radiographie pulmonaire portable, avec sa disponibilité et sa facilité d'utilisation, a été couramment utilisée pour surveiller les patients nécessitant des soins urgents à Michigan Medicine, même avant la pandémie17. Cependant, l'analyse des images radiographiques thoraciques est compliquée par la structure des données, en particulier dans le cadre de la COVID-1918. En tirant parti des techniques d'apprentissage automatique, nous avons proposé un flux de travail pour l'extraction et la sélection de caractéristiques à partir d'images radiographiques liées au COVID. En utilisant directement les informations de survie, notre cadre décompose les images brutes en caractéristiques de texture et identifie les caractéristiques les plus liées à la mortalité par COVID-19. Nous avons utilisé plusieurs techniques d'apprentissage automatique pour évaluer la prévisibilité des facteurs démographiques et cliniques et les caractéristiques de la texture radiomique sur la mortalité hospitalière, un critère d'évaluation principal pour les patients hospitalisés avec COVID-1919. Des analyses de sous-groupes ont révélé que les images radiographiques pulmonaires offraient une plus grande utilité pronostique pour les patients vulnérables (par exemple, plus âgés ou plus malades).

Sur les 3313 patients hospitalisés avec radiographies, nous avons analysé un total de 3310 patients avec des images antéro-postérieures ou postéro-antérieures, qui ont fourni des vues claires des poumons ; n'étaient exclus que trois patients dont la radiographie fournissait des vues peu claires et ne pouvait pas être analysée. Au cours du suivi, nous avons observé 590 (17,8%) décès à l'hôpital et 20 (0,6%) sorties en hospice. L'âge médian était de 61 ans (intervalle interquartile : 46–73) et la majorité des patients étaient des hommes (56 %), avec une surreprésentation des patients noirs (21 %) par rapport à la population environnante. La fréquence respiratoire médiane était de 18,8 (17,5–21,7) respirations par minute et la saturation médiane en oxygène était de 95,5 % (94,0–97,2 %). Il y avait une forte proportion de patients souffrant d'arythmies cardiaques (70 %), d'hypertension (70 %) et de troubles hydriques et électrolytiques (70 %) à l'admission (supplément E). Sept caractéristiques radiomiques et sept caractéristiques cliniques ont été incluses dans le modèle final.

Nous avons d'abord comparé les performances prédictives des cinq algorithmes suivants en utilisant uniquement les prédicteurs cliniques. Les algorithmes étaient le modèle à risques proportionnels de Cox20,21, les machines à vecteurs de soutien à la survie22, les forêts de survie aléatoires23, l'augmentation du gradient de survie24 et la moyenne d'ensemble des quatre premiers algorithmes25. L'indice C moyen sur une centaine d'expériences variait de 78,1 à 80,3 %, la moyenne d'ensemble étant la plus performante. Nous avons ensuite comparé les algorithmes utilisant à la fois les caractéristiques cliniques et radiomiques et avons noté que la moyenne d'ensemble surpassait toujours les autres méthodes, atteignant à nouveau l'indice C moyen le plus élevé de 81,0 %. De plus, des améliorations progressives ont été observées dans les cinq algorithmes, allant d'une augmentation de 0,5 % de l'indice C (forêts de survie aléatoires) à une augmentation de 2,0 % (amplification du gradient de survie ; tableau 1). Cela nous a motivés à effectuer des analyses de sous-groupes pour examiner quels sous-groupes bénéficieraient davantage des fonctionnalités d'image ajoutées ; voir la section ultérieure "Analyse de sous-groupes et stratification des risques".

La figure 1a donne l'importance des caractéristiques pour les principales caractéristiques cliniques et d'imagerie selon les cinq approches prédictives. Les caractéristiques cliniques les plus importantes étaient l'âge, les signes de troubles hydriques et électrolytiques, la fréquence respiratoire, la pression artérielle diastolique, le cancer métastatique et le cancer à tumeur solide sans métastase. Les caractéristiques importantes de la texture d'imagerie comprenaient la non-uniformité de dépendance, l'entropie de zone, l'intensité médiane des pixels, l'accentuation du niveau de gris élevé sur une grande surface, le coefficient de corrélation maximal, l'aplatissement de l'intensité des pixels et l'écart absolu moyen robuste. Les patients avec une non-uniformité de dépendance, une entropie de zone et des coefficients de corrélation maximaux plus élevés avaient plus d'hétérogénéité ou de complexité dans les motifs de texture de leurs images. Ceux avec une intensité de pixel médiane plus élevée et une accentuation de niveau de gris élevé sur une grande surface avaient de plus grandes concentrations de valeurs de niveau de gris élevé dans leurs images, et ceux avec un kurtosis d'intensité de pixel plus élevé et des écarts absolus moyens robustes avaient des valeurs plus éloignées dans leurs intensités de pixel26.

Résultats de l'analyse prédictive de la mortalité hospitalière. (a) Importance moyenne des caractéristiques des caractéristiques cliniques et d'imagerie basée sur une centaine d'ensembles de données de test avec des erreurs standard, triées par l'importance la plus élevée des caractéristiques dans la moyenne d'ensemble. (b) Courbes de Kaplan-Meier pour la mortalité hospitalière, stratifiées selon l'âge du patient et le groupe de risque (défini par le score de risque médian ; risque élevé = solide, risque faible = en pointillés) ; scores de risque définis soit par des caractéristiques cliniques, soit par des caractéristiques cliniques et d'imagerie au sein de chaque groupe d'âge. (c) Courbes de Kaplan-Meier pour la mortalité hospitalière, stratifiées par charge de comorbidité et groupe de risque (défini par le score de risque médian ; risque élevé = solide, risque faible = en pointillés) ; scores de risque définis soit par des caractéristiques cliniques, soit par des caractéristiques cliniques plus imagerie au sein de chaque groupe de fardeau de comorbidité.

Nous avons ajusté un modèle de régression de Cox avec les caractéristiques importantes, présentant les rapports de risque (RR) et les intervalles de confiance (IC) à 95 % dans le tableau 2. Âge avancé (RR : 2,33 ; IC à 95 % 2,07-2,63), fréquence respiratoire plus élevée (1,41 ; 1,28-1,55) et indications de troubles hydriques et électrolytiques (2,57 ; 1,98-3,34), cancer métastatique (1,41 ; 1,10-1,80) et le cancer à tumeur solide sans métastase (1,32 ; 1,03-1,68) étaient significativement associés à une mortalité hospitalière plus élevée. À l'inverse, une tension artérielle diastolique élevée (0,81 ; 0,75-0,88), le fait de ne jamais fumer (0,46 ; 0,32-0,67) et d'avoir fumé (0,62 ; 0,43-0,90) étaient associés à une mortalité plus faible. Parmi les caractéristiques de la texture radiomique, une plus grande non-uniformité de dépendance (1,21 ; 1,08-1,36), une accentuation du niveau de gris élevé sur une grande surface (1,14 ; 1,04-1,25) et l'intensité médiane des pixels (1,14 ; 1,05-1,25) étaient significativement associées à des risques de mortalité plus élevés, tandis que des coefficients de corrélation maximaux plus faibles (0,91 ; 0,83-0,99) étaient légèrement associés à des risques de mortalité plus élevés.

Nous avons utilisé la moyenne d'ensemble, qui était la plus prédictive, pour construire des scores de risque avec et sans l'ajout des caractéristiques radiomiques. Nous avons comparé la manière dont ces scores pouvaient distinguer les patients au sein de certains sous-groupes, définis par l'âge ou la charge de comorbidité (Fig. 1b, c). Deux constatations méritent d'être signalées. Premièrement, les scores, basés uniquement sur des indicateurs cliniques ou à la fois sur des caractéristiques cliniques et d'image, pourraient bien distinguer les patients de tous les sous-groupes, soulignant l'utilité des caractéristiques cliniques et d'image pour profiler le risque de mortalité des patients.

Deuxièmement, les patients ont ensuite été classés comme étant à risque « élevé » contre « faible » sur la base des scores de risque médians définis en utilisant à la fois les caractéristiques cliniques et cliniques + radiomiques. Au sein de certains sous-groupes (p. ex., les patients âgés de plus de 65 ans ou ceux présentant sept affections comorbides ou plus), la séparation entre les courbes de survie des patients à haut et à faible risque définis avec l'ajout des caractéristiques d'imagerie était plus évidente que celle entre celles des patients à haut et à faible risque, définis en utilisant uniquement les caractéristiques cliniques. Cela illustre l'utilité pronostique supplémentaire des caractéristiques radiomiques dans ces sous-groupes. En revanche, la séparation n'était pas aussi apparente dans les autres sous-groupes, par exemple, parmi les personnes de moins de 65 ans ou avec moins de sept conditions de comorbidité.

Pour confirmer nos résultats, nous avons comparé l'augmentation de l'indice C avec l'ajout des caractéristiques radiomiques entre ces différents sous-groupes. Le tableau 3 montre une augmentation significativement plus élevée de l'indice C chez les patients âgés que chez les patients plus jeunes avec l'ajout de caractéristiques radiomiques. Il y avait une augmentation de 2,3 à 3,1 % de l'indice C chez les patients âgés à travers les différents algorithmes avec l'ajout des caractéristiques radiomiques. Cette augmentation est cliniquement significative27,28 et significativement plus importante (p < 0,001) que l'augmentation de 0,5 à 1,0 % chez les patients plus jeunes. De même, une augmentation de 1,6 à 2,5 % de l'indice C a été obtenue chez les patients présentant une charge de comorbidité plus élevée, par rapport à une augmentation de 0,2 à 1,4 % chez les patients présentant une charge de comorbidité plus faible. Cette augmentation était cliniquement significative et statistiquement significative (p < 0,01).

De nombreuses études récentes ont discuté du potentiel des modèles intégratifs pour la découverte et le pronostic dans un large éventail de contextes cliniques, y compris les cancers du sein29 et du poumon30, les maladies coronariennes31 et les embolies pulmonaires32. Chacune de ces études a démontré que les méthodes de prédiction multimodales, qui combinent des caractéristiques radiomiques et cliniques, permettent d'améliorer les performances prédictives dans une gamme de paramètres cliniques. De plus, des travaux récents ont suggéré que les phénotypes radiomiques de l'imagerie médicale sont liés aux phénotypes moléculaires, tels que la génomique et l'histopathologie, et peuvent donc fournir des informations importantes et cliniquement pertinentes33,34. Dans notre contexte, l'imagerie radiologique joue un rôle important dans le classement et la prise en charge des patients atteints de COVID-19, car les radiographies pulmonaires portables sont un moyen efficace et pratique de trier les cas émergents. Ce travail aborde la question de savoir si l'imagerie a une utilité pronostique supplémentaire dans la prise en charge des patients atteints de COVID-19. Nous avons observé une légère augmentation des performances de prédiction avec les fonctionnalités de rayons X ajoutées, ce qui nous a motivés à étudier plus avant les sous-groupes de patients qui bénéficieraient davantage des fonctionnalités d'image supplémentaires.

Chez tous les patients, nous avons constaté des améliorations modestes de la précision prédictive des méthodes comparées, mais nous avons constaté que les patients plus âgés et ceux présentant un fardeau de comorbidité plus élevé à l'admission ont vu des gains significativement plus importants de l'indice C avec les caractéristiques radiomiques ajoutées. Bien que l'ampleur de ces améliorations soit relativement faible, nous reconnaissons l'impact clinique potentiel. Même une légère augmentation de la précision des prédictions pourrait améliorer les résultats des patients en aidant les cliniciens à identifier les patients à haut risque et à initier des interventions en temps opportun. Les dérangements physiologiques de tous les patients ne sont pas étroitement corrélés avec leurs images35,36; par exemple, les patients plus jeunes présentant des infiltrats pulmonaires périphériques bilatéraux peuvent bien s'oxygéner et sembler bien cliniquement, tandis que les patients plus âgés ou plus malades peuvent être moins capables de compenser le même degré d'anomalies d'imagerie. Par conséquent, bien que les paramètres identifiés dans notre étude ne soient pas utiles dans tous les cas, ils peuvent aider à identifier les sous-populations de patients qui peuvent bénéficier de manière plus fiable de l'imagerie en tant que prédicteur de la mortalité.

De plus en plus de littérature soutient l'utilisation des données d'imagerie pour le pronostic de la mortalité hospitalière. Kim et al. ont constaté que le grade aux rayons X était significativement associé à la fois à la durée du séjour à l'hôpital et à la probabilité plus élevée d'intubation7. Garrafa et al. ont prédit la mortalité hospitalière à l'aide du score de Brixia spécifique au COVID37, et la prédictivité de leurs données de test variait de 0,52 (régression logistique) à 0,78 (forêts aléatoires et renforcement du gradient), ce qui était proche de nos résultats. Schalekamp et al. ont classé les radiographies pulmonaires sur une échelle de gravité de zéro à huit points38 et ont développé un score de risque basé sur l'image pour prédire les maladies graves chez les patients atteints de COVID-19. Soude et al. ont modélisé la survie des patients avec des caractéristiques cliniques et d'imagerie dans une cohorte italienne39 et ont obtenu une précision de 0,68 à 0,76 pour différentes méthodes avec uniquement des informations cliniques et augmentant jusqu'à une plage de 0,75 à 0,77 avec des caractéristiques cliniques et d'imagerie, un incrément similaire à notre rapport. Ils ont constaté que l'âge, la saturation en oxygène, la fréquence respiratoire et le cancer actif étaient les plus importants, ce qui était cohérent avec nos résultats.

L'atteinte pulmonaire et la gravité de la COVID-19, évaluées par un examen visuel des images radiographiques brutes, ont été signalées comme étant prédictives de la mortalité10,11,12,40. Cependant, les approches visuelles peuvent être sujettes à la subjectivité et à l'inexactitude. Des travaux récents ont montré que les caractéristiques de texture associées à l'hétérogénéité des images sont prédictives des résultats cliniques lorsque l'évaluation visuelle des données d'imagerie peut ne pas être corrélée avec ces mêmes paramètres41. En revanche, notre méthode fournit un moyen objectif d'extraire des caractéristiques d'image pour aider au pronostic de survie. Notre travail relève également le défi d'analyser des images de taille variable, qui ne peuvent pas être traitées par des algorithmes d'apprentissage en profondeur comme AlexNet42 ou ResNet43. Plutôt que d'alimenter directement les images dans les modèles, nous avons dérivé des caractéristiques de texture pertinentes avec une différenciation d'image maximale pour prédire la survie au COVID-19 sur la base d'un flux de travail standard13,14,44,45,46,47. Ces caractéristiques de texture peuvent également être plus interprétables que celles dérivées de modèles d'apprentissage en profondeur48.

De plus, notre méthode nous a permis de tirer parti des informations sur la survie des patients lors de la sélection des caractéristiques de l'image, ce qui a conduit à des découvertes intéressantes. Nous avons constaté que l'intensité médiane des pixels et l'accentuation du niveau de gris élevé à forte dépendance, caractéristiques correspondant à des concentrations plus élevées de valeurs de niveau de gris élevé dans les images, étaient des prédicteurs importants de la survie des patients. Une plus grande hétérogénéité dans les caractéristiques de texture, caractérisée par une entropie de zone et une non-uniformité de dépendance, était également prédictive. Ces résultats sont conformes à la littérature actuelle. Par exemple, comme nos résultats, Varghese et al. ont montré l'importance de certaines caractéristiques de texture de premier et de second ordre, à savoir l'histogramme et l'intensité, suivis de la matrice de zone de taille de niveau de gris et de la matrice de cooccurrence de niveau de gris, pour prédire l'utilisation des unités de soins intensifs, l'intubation et la mort49. Iori et al. identifié des caractéristiques de texture importantes, y compris l'entropie et la non-uniformité de la dépendance, pour la prédiction de la mortalité50.

Nous avons détecté que les prédictions sur certains sous-groupes de patients bénéficiaient davantage de l'ajout de ces caractéristiques radiomiques. En particulier, une plus grande amélioration de la prédiction de la survie a été observée chez les patients plus âgés (> 65 ans) et ceux présentant une charge de comorbidité plus élevée (> 7/29 comorbidités médianes). Nos résultats concordent avec les résultats précédents selon lesquels la gravité de la maladie dans les images est associée à la charge de comorbidité et à l'âge51,52,53, laissant entendre que les caractéristiques radiomiques provenant de patients plus âgés ou plus malades sont susceptibles de contenir plus d'informations pertinentes pour la survie. En revanche, les patients plus jeunes ou en meilleure santé présentent un risque de décès plus faible, de sorte que les caractéristiques radiomiques supplémentaires n'ajoutent pas grand-chose à leur pronostic54.

Nous notons certaines limites et domaines de travail futur pour l'étude actuelle. Premièrement, seules les hospitalisations à Michigan Medicine ont été incluses dans l'analyse, ce qui pourrait limiter la généralisation des résultats. Cependant, notre flux de travail fournit un cadre général et utile pour analyser les données du DSE avec des images radiographiques pulmonaires, et nos résultats peuvent générer des hypothèses pour des enquêtes à plus grande échelle, et potentiellement dans d'autres domaines de la maladie également. Étant donné qu'une certaine amélioration a été observée chez les patients âgés et les patients présentant une charge de comorbidité plus élevée, une validation externe est nécessaire pour confirmer ces résultats et leur importance clinique. Des investigations supplémentaires sont également nécessaires pour évaluer l'optimalité de nos techniques d'extraction et de dépistage des caractéristiques et la précision prédictive de notre approche par rapport à la pratique clinique standard. Nous avons sélectionné des prédicteurs cliniques connus pour être prédictifs de l'aggravation des résultats de la COVID-19 sur la base de la pratique clinique et de l'ensemble de la littérature actuelle. Cependant, les facteurs de risque considérés comme importants peuvent différer d'un établissement à l'autre avec des populations de patients variables et complexes. De plus, pour évaluer si notre approche multimodale informatisée proposée peut augmenter la pratique de la médecine, une prochaine étape consisterait à concevoir une étude dans laquelle les prédictions générées à partir de notre modèle sont comparées à celles générées par les cliniciens sur la base d'un ensemble commun de caractéristiques d'imagerie et cliniques. Cette approche de groupe de discussion serait une prochaine étape importante dans la poursuite et la validation des travaux en cours. Enfin, des comparaisons avec d'autres approches automatisées telles que l'apprentissage en profondeur peuvent fournir des repères supplémentaires pour la précision de la méthode proposée.

Deuxièmement, comme pour la plupart des études sur le DSE, il pourrait y avoir un biais de sélection inhérent parmi ceux qui se présentent à Michigan Medicine et sont ensuite admis pour des complications liées au COVID-19. Les approches d'inférence causale peuvent être explorées pour traiter les facteurs de confusion observables et non observables. Troisièmement, les comorbidités relevées à l'admission n'étaient pas différenciées des affections chroniques précédant l'infection. Un travail plus approfondi est nécessaire pour rendre compte des chronologies de ces conditions. De plus, les conditions comorbides ont été établies via les codes IDC-10 basés sur Quan et al.55. Dans notre établissement, les diagnostics associés aux codes CIM-10 sont généralement saisis pour la première fois dans le DSE lors de l'admission, puis confirmés rétrospectivement. Cependant, il peut y avoir des retards administratifs dans le codage de ces conditions après la rencontre initiale d'un patient, à la fois dans notre étude et plus largement dans d'autres établissements. Cela peut nécessiter des alternatives adéquates pour l'identification de la comorbidité, en particulier pour les conditions incluses dans notre modèle final. Par exemple, les patients de notre population d'étude qui étaient largement indiqués pour les troubles hydriques et électrolytiques présentaient des déséquilibres couvrant la gamme du sodium et du potassium, de l'acidose, de l'alcalose et de la déplétion volémique qui coïncident les uns avec les autres et ont aggravé les résultats du COVID-19. Une stratégie alternative pour identifier de telles conditions consisterait à signaler les patients sur la base de valeurs de laboratoire sanguines et urinaires anormales, par exemple, une augmentation du sodium et/ou de l'osmolalité dans l'urine, qui peuvent être plus facilement disponibles. Dans l'état actuel de la méthode, cependant, il s'agit d'une limitation potentielle pour l'utilisation immédiate de la méthode dans d'autres contextes cliniques pratiques.

Enfin, la mortalité est souvent un critère clé pour identifier les patients qui présentent un risque élevé d'événements indésirables ou qui peuvent nécessiter une surveillance plus étroite et des interventions plus agressives. Cependant, comme la COVID-19 présente un large éventail de présentations, entraînant de nombreuses anomalies cliniques, la mortalité ne doit pas être utilisée isolément, et des résultats supplémentaires centrés sur le patient, tels que la qualité de vie et les soins spécifiques au patient, doivent être pris en compte lors de la prise de décisions cliniques56,57.

En résumé, la radiographie pulmonaire portative est un outil précieux pour surveiller et guider la prise en charge des patients atteints de COVID-19. Cette étude a révélé que les schémas de maladie pulmonaire COVID-19 identifiés sur la radiographie pulmonaire sont prédictifs et associés de manière significative aux résultats de survie des patients hospitalisés avec COVID-19. Les modèles de prédiction multimodaux peuvent fournir des améliorations modestes de la valeur pronostique par rapport au facteur de risque clinique seul, et des recherches supplémentaires pour comprendre les fondements cliniques et biologiques de ces améliorations sont nécessaires pour fournir des informations supplémentaires lors de l'orientation de la prise en charge des patients atteints de COVID-19.

Il s'agissait d'une analyse pronostique des patients qui (1) ont été admis au Michigan Medicine entre le 10 mars 2020 (la date du premier cas dans cet État) et le 31 mars 2022 (la date limite des données publiées du DSE), (2) ont été testés positifs pour COVID-19 ou transférés en portant un diagnostic positif, et (3) ont eu au moins une image de radiographie pulmonaire liée au COVID prise. Nous nous sommes concentrés sur les patients avec des rayons X car les patients sans imagerie étaient en général beaucoup plus jeunes et en meilleure santé, et les images sont précieuses pour le triage des patients et la gestion des ressources58. Notre résultat était le temps écoulé entre l'admission et le décès à l'hôpital, censuré par la sortie ou la fin de l'étude. La sortie a été considérée comme un événement censeur, sauf pour la sortie en hospice, car la survie médiane de ces patients était inférieure à 30 jours après la sortie. Comme il s'agissait d'un puissant précurseur du décès, nous avons considéré à la fois le décès à l'hôpital et la sortie en hospice comme des événements d'échec (voir Supplément A).

À partir de la base de données du DSE, nous avons extrait et créé un ensemble de facteurs de risque démographiques, socioéconomiques et cliniques (voir Supplément B) identifiés comme étant liés au COVID-19 dans la littérature59,60,61,62,63,64,65,66,67,68,69,70,71,72. Les données démographiques des patients comprenaient l'âge, le sexe, la race (noir ou non noir), l'origine ethnique (hispanique ou non hispanique), le statut tabagique, la consommation d'alcool et la consommation de drogues. Comme les facteurs socio-économiques au niveau du patient n'étaient pas disponibles, nous avons créé quatre mesures socio-économiques composites au niveau du secteur de recensement américain en fonction des résidences des patients. Ces composites, mesurant la richesse, le désavantage, la concentration d'immigrants ethniques et l'éducation, ont été définis comme étant la proportion d'adultes répondant au critère correspondant dans un secteur de recensement73,74,75, et ont ensuite été classés par quartiles. Pour chacune des vingt-neuf conditions de comorbidité prévalentes couramment utilisées dans la littérature55,76,77,78, nous avons défini un indicateur binaire pour signaler si le patient avait un code ICD-10 associé à l'admission. Enfin, nous avons obtenu des mesures physiologiques dans les 24 heures suivant l'admission, notamment l'indice de masse corporelle (kg/m2), la saturation en oxygène, la température corporelle, la fréquence respiratoire, la pression artérielle diastolique et systolique et la fréquence cardiaque.

Avec plusieurs radiographies potentiellement prises pour un patient, nous avons choisi celle la plus proche du moment de l'admission et avons examiné son rôle dans la prédiction de la survie du patient. Nous avons d'abord prétraité chaque image selon le pipeline décrit à la Fig. 2. Tout d'abord, avant l'extraction et la sélection des caractéristiques, nous n'avons conservé que les images prises à partir des positions antérieure-postérieure ou postérieure-antérieure afin que l'orientation des images soit comparable. Nous avons ensuite normalisé ces images afin que les intensités de pixels de chaque image soient conformes à une plage standard de 0 (noir) à 255 (blanc) unités. Nous avons en outre utilisé l'égalisation d'histogramme pour améliorer le contraste des images79.

Procédure de prétraitement d'image. Organigramme des étapes de prétraitement à partir de (1) la sélection d'images brutes, (2) la normalisation des pixels, (3) l'égalisation de l'histogramme, (4) l'extraction des caractéristiques et (5) la sélection des caractéristiques.

De manière générale, il existe deux approches potentielles pour l'extraction de caractéristiques, à savoir (1) les méthodes d'intelligence artificielle, qui apprennent automatiquement les représentations des caractéristiques à partir des données, et (2) les caractéristiques de texture d'ingénierie. Bien qu'il ait été démontré que l'apprentissage en profondeur a une précision pronostique élevée, les caractéristiques apprises sont difficiles à interpréter, non normalisées et souvent non reproductibles, ce qui peut avoir un impact sur leur fiabilité80. Ainsi, nous avons extrait un panel standard de caractéristiques de texture technique selon le flux de travail PyRadiomics47,81. Plus précisément, nous avons appliqué six filtres différents (par exemple, différentes transformations) aux images prétraitées pour acquérir des informations supplémentaires (par exemple, sur les bords ou les limites) et dériver différents types d'images (par exemple, la forme)47. À partir des sept filtres d'image (original + six transformations), nous avons extrait sept classes de caractéristiques de chaque image47,82,83,84, résultant en 1311 caractéristiques d'image candidates. Pour obtenir une courte liste de caractéristiques cliniques et d'image prédictives, nous avons effectué un dépistage des caractéristiques en ajustant les modèles de risques proportionnels de Cox21 sur chaque caractéristique une à la fois et en conservant celles qui sont significatives au niveau de 0,05. Enfin, nous avons sélectionné les caractéristiques les plus importantes et obtenu un modèle de Cox final, quantifiant les associations ajustées des caractéristiques cliniques et radiomiques importantes avec la mortalité hospitalière85. Nous avons utilisé l'indice de concordance (C-index) pour évaluer la prédictivité des modèles27,28 (voir Supplément C). Cette étude a été approuvée par le Michigan Medicine Institutional Review Board (HUM00192931), qui a renoncé au consentement éclairé sur la base d'une analyse secondaire d'ensembles de données anonymisés. Toutes les analyses ont été effectuées conformément aux directives et réglementations en vigueur.

Nous avons mis en œuvre cinq algorithmes de prédiction des risques, à savoir le modèle à risques proportionnels de Cox21, les machines vectorielles de support de survie22, les forêts de survie aléatoires23,86, l'augmentation du gradient de survie24 et la moyenne d'ensemble des quatre premiers algorithmes25. Le modèle de Cox, la méthode la plus largement utilisée dans l'analyse de survie, suppose une fonction de risque linéaire dans les prédicteurs. Les machines à vecteurs de support de survie22 peuvent rendre compte des relations non linéaires. Les forêts de survie aléatoires et l'amplification du gradient de survie combinent plusieurs prédictions à partir d'arbres de survie individuels pour obtenir une prédiction plus puissante23,24,86,87. La moyenne d'ensemble combine les prédictions de plusieurs modèles pour produire une sortie souhaitée et fonctionne souvent mieux que les modèles individuels en calculant la moyenne de leurs erreurs25. Le supplément D détaille ces méthodes.

Nous avons utilisé la validation croisée pour estimer sans biais la valeur prédictive de chaque méthode. Nous avons divisé au hasard les données en 80 % d'échantillons d'entraînement et 20 % d'échantillons de test, en maintenant la proportion d'événements dans l'échantillon complet au sein de chaque division. Nous avons ensuite formé les différents modèles prédictifs en utilisant les échantillons d'apprentissage et calculé le C-index en utilisant les échantillons de test. Nous avons répété la même procédure cent fois et avons pris une moyenne du C-index pour obtenir une estimation non biaisée du C-index pour chaque méthode88,89. Nous avons appliqué chaque méthode avec les prédicteurs démographiques et cliniques, suivis de l'ajout de caractéristiques radiomiques pour évaluer leur utilité pronostique supplémentaire via l'indice C. En utilisant la moyenne d'ensemble, qui était la plus prédictive (voir la section "Résultats"), nous avons développé un score de risque pour prédire la mortalité hospitalière et classé les patients en groupes à faible et à haut risque en utilisant le score médian comme seuil.

Enfin, nous détaillons le processus de sélection des variables pour construire un modèle de Cox final. Nous avons sélectionné les caractéristiques cliniques et d'image en fonction de leur importance dans la prédiction, définie par la diminution absolue du C-index avec la "suppression" de la caractéristique concernée dans les données90. Pour ce faire, nous avons divisé au hasard les données en 80 % d'échantillons d'entraînement et 20 % d'échantillons de test, ajusté le modèle aux données d'entraînement et calculé l'importance des caractéristiques à l'aide des données de test (supplément D.6). Nous avons répété la même procédure cent fois, sélectionné les caractéristiques les plus importantes (en moyenne) parmi ces cent expériences et les avons incluses dans une régression de Cox multivariée pour évaluer leurs associations statistiques avec la mortalité hospitalière. Tous les traitements et analyses de données ont été effectués avec Python (version 3.8.8), NumPy (version 1.20.1) et scikit-survival (version 0.17.2).

Nous avons examiné différents sous-groupes pour évaluer comment les performances de prédiction du modèle s'amélioraient avec les caractéristiques radiomiques ajoutées. Étant donné que l'âge et la charge de comorbidité étaient les plus pertinents pour la survie parmi les facteurs cliniques, nous avons considéré des sous-groupes de patients définis par l'âge (> versus ≤ 65 ans) et le nombre de comorbidités à l'admission (> versus ≤ médiane de sept comorbidités), respectivement. Nous avons comparé l'évolution des performances de prédiction avec l'ajout des caractéristiques radiomiques entre différents sous-groupes.

Cette étude a été approuvée par le Michigan Medicine Institutional Review Board (HUM00192931), qui a renoncé au consentement éclairé sur la base d'une analyse secondaire d'ensembles de données anonymisés. Toutes les analyses ont été effectuées conformément aux directives et réglementations en vigueur.

Les ensembles de données utilisés dans cette étude ne sont pas accessibles au public en raison de la nécessité d'obtenir l'approbation d'un comité d'examen institutionnel en tant que chercheur affilié à l'Université du Michigan par le biais de l'initiative de santé de précision du système de santé de l'Université du Michigan (c.-à-d., Michigan Medicine). Pour plus d'informations, veuillez contacter [email protected].

Tout le code utilisé pour produire les résultats trouvés dans ce travail a été rendu public sur https://github.com/YumingSun/COVID_Imaging_Prediction.

Centres pour le Contrôle et la Prévention des catastrophes. Traqueur de données covid CDC. https://covid.cdc.gov/covid-data-tracker/ (Consulté le 13 juin 2022) (2022).

Karim, SSA & Karim, QA Omicron variante sras-cov-2 : Un nouveau chapitre dans la pandémie de covid-19. Lancet 398 (10317), 2126–2128 (2021).

Article CAS PubMed PubMed Central Google Scholar

Kupferschmidt, K. & Wadman, la variante M. Delta déclenche une nouvelle phase de la pandémie. Sciences 372 (6549), 1375-1376 (2021).

Article ADS CAS Google Scholar

McCue, C. et al. Résultats à long terme des patients gravement malades atteints de pneumonie covid-19 : Apprentissage précoce. Soins Intensifs Méd. 47(2), 240–241 (2021).

Article CAS PubMed Google Scholar

Michelen, M. et al. Caractériser le covid-19 à long terme : une revue systématique vivante. BMJ Glob. Santé 6(9), e005427 (2021).

Article PubMed Google Scholar

Jacobi, A. et al. Radiographie thoracique portable dans la maladie à coronavirus-19 (covid-19) : une revue en images. Clin. Imagerie 64, 35–42 (2020).

Article PubMed PubMed Central Google Scholar

Kim, HW et al. Le rôle de la radiographie pulmonaire initiale dans le triage des patients suspects de covid-19 pendant la pandémie. Urgence Radiol. 27(6), 617–621 (2020).

Article PubMed PubMed Central Google Scholar

Akl, EA et al. Utilisation de l'imagerie thoracique dans le diagnostic et la prise en charge du covid-19 : Un guide de conseils rapides de l'OMS. Radiologie 298(2), E63–E69 (2021).

Article PubMed Google Scholar

Borkowski, AA et al. Utilisation de l'intelligence artificielle pour le diagnostic par radiographie pulmonaire covid-19. Nourris. Pratique. 37(9), 398–404 (2020).

PubMed PubMed Central Google Scholar

Balbi, M. et al. Radiographie pulmonaire pour prédire la mortalité et le besoin d'assistance ventilatoire chez les patients covid-19 se présentant aux urgences. EUR. Radiol. 31(4), 1999–2012 (2021).

Article CAS PubMed Google Scholar

Maroldi, R. et al. Quel rôle pour le score de radiographie pulmonaire dans la prédiction de l'issue de la pneumonie au covid-19 ?. EUR. Radiol. 31(6), 4016–4022 (2021).

Article CAS PubMed Google Scholar

Monaco, CG et al. Score de gravité de la radiographie pulmonaire chez les patients covid-19 admis aux urgences : une étude à deux centres. EUR. Radiol. Exp. 4(1), 68 (2020).

Article PubMed PubMed Central Google Scholar

Hussain, L. et al. La classification par apprentissage automatique des caractéristiques de texture de la radiographie pulmonaire portable classe avec précision l'infection pulmonaire covid-19. Biomédical. Ing. En ligne 19(1), 88 (2020).

Article PubMed PubMed Central Google Scholar

Ismael, AM & Şengür, A. Approches d'apprentissage en profondeur pour la détection du covid-19 basées sur des images radiographiques pulmonaires. Système expert. Appl. 164(114), 054 (2021).

Google Scholar

Salvatore, M. et al. Une étude d'association à l'échelle du phénomène (phewas) des résultats du covid-19 par race en utilisant les données des dossiers de santé électroniques en médecine du Michigan. J.Clin. Méd. 10(7), 1351 (2021).

Article CAS PubMed PubMed Central Google Scholar

Spector-Bagdady, K. et al. Surveillance des essais cliniques sur la maladie à coronavirus 2019 (covid-19) dans un grand centre médical universitaire : approche de la médecine du Michigan. Clin. Infecter. Dis. 71(16), 2187–2190 (2020).

Article CAS PubMed Google Scholar

Nypaver, M. et al. Collaboration pour l'amélioration des services d'urgence du Michigan : un nouveau modèle pour la mise en œuvre d'un changement de pratique à grande échelle dans les soins d'urgence pédiatriques. Pédiatrie 142(1 MeetingAbstract), 105 (2018).

Article Google Scholar

Abbas, A., Abdelsamea, MM & Gaber, MM Classification du COVID-19 dans les images radiographiques pulmonaires à l'aide du réseau de neurones à convolution profonde DeTraC. Appl. Renseignement. 51, 854–864 (2021).

Article Google Scholar

Gupta, A. et al. Association entre l'utilisation antérieure de statines et la diminution de la mortalité chez les patients hospitalisés atteints de COVID-19. Nat. Commun. 12(1), 1325 (2021).

Article ADS CAS PubMed PubMed Central Google Scholar

Cox, DR Modèles de régression et tables de mortalité (avec discussion). Statistique JR. Soc. B 34(2), 187–220 (1972).

MATH Google Scholar

Therneau, TM & Grambsch, PM Modélisation des données de survie : extension du modèle de Cox. Dans le modèle Cox 39–77 (Springer, 2000).

MATH Google Scholar

Pölsterl, S., Navab, N. & Katouzian, A. Un algorithme d'entraînement efficace pour les machines vectorielles de support de survie du noyau. https://doi.org/10.48550/arXiv.1611.07054 (Preprint mis en ligne le 21 novembre 2016).

Ishwaran, H. et al. Forêts de survie aléatoires. Anne. Appl. Statistique 2(3), 841–860 (2008).

Article MathSciNet MATH Google Scholar

Hothorn, T. et al. Ensembles de survie. Biostatistiques 7(3), 355–373 (2006).

Article PubMed MATH Google Scholar

Zhou, ZH Ensemble Methods: Foundations and Algorithms (CRC Press, 2012).

Réserver Google Scholar

Zwanenburg, A. et al. Initiative de standardisation des biomarqueurs d'images. https://doi.org/10.48550/arXiv.1612.07003 (Preprint mis en ligne le 21 décembre 2016)

Harrell, FE et al. Évaluer le rendement des tests médicaux. JAMA 247(18), 2543-2546 (1982).

Article PubMed Google Scholar

Harrell, FE Jr., Lee, KL & Mark, DB Modèles pronostiques multivariables : problèmes liés au développement de modèles, à l'évaluation des hypothèses et de l'adéquation, ainsi qu'à la mesure et à la réduction des erreurs. Statistique Méd. 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">Article PubMed Google Scholar

Holste, G. et al. Apprentissage de bout en bout des caractéristiques d'image et non-image fusionnées pour une meilleure classification du cancer du sein à partir de l'irm. Dans Actes de la conférence internationale IEEE/CVF sur la vision par ordinateur, 3294–3303 (2021).

Zhou, H. et al. Diagnostic des métastases à distance du cancer du poumon : basé sur les caractéristiques cliniques et radiomiques. Trad. Oncol. 11(1), 31–36 (2018).

Article PubMed Google Scholar

Militello, C. et al. Caractéristiques radiomiques CT et biomarqueurs cliniques pour prédire la maladie coronarienne. Conn. Calcul. 15(1), 238–253 (2023).

Article Google Scholar

Huang, SC et al. Fusion multimodale avec des réseaux de neurones profonds pour tirer parti de l'imagerie CT et du dossier de santé électronique : une étude de cas dans la détection de l'embolie pulmonaire. Sci. Rep. 10(1), 1–9 (2020).

Article Google Scholar

Liu, Z. et al. Imagerie génomique pour un diagnostic et un traitement précis des tumeurs : un aperçu de pointe. Biomédical. Pharmacologue. 135, 111173 (2021).

Article CAS PubMed Google Scholar

Tomaszewski, MR & Gillies, RJ La signification biologique des caractéristiques radiomiques. Radiologie 298(3), 505–516 (2021).

Article PubMed Google Scholar

Brouqui, P. et al. L'hypoxie asymptomatique dans le COVID-19 est associée à de mauvais résultats. Int. J. Infecter. Dis. 102, 233-238 (2021).

Article CAS PubMed Google Scholar

Struyf, T. et al. Groupe de précision des tests de diagnostic Cochrane COVID-19. Signes et symptômes pour déterminer si un patient se présentant en soins primaires ou en milieu hospitalier ambulatoire a la COVID‐19. Système de base de données Cochrane. Rév. (5) (2022).

Garrafa, E. et al. Prédiction précoce du décès à l'hôpital des patients covid-19 : un modèle d'apprentissage automatique basé sur l'âge, les analyses de sang et le score de radiographie pulmonaire. Elife 10, e70640 (2021).

Article CAS PubMed PubMed Central Google Scholar

Schalekamp, ​​S. et al. Prédiction basée sur un modèle de maladie grave chez les patients hospitalisés atteints de covid-19. Radiologie 298(1), E46–E54 (2021).

Article PubMed Google Scholar

Soda, P. et al. Aiforcovid : Prédire les résultats cliniques chez les patients atteints de covid-19 en appliquant l'IA aux radiographies pulmonaires. Une étude multicentrique italienne. Méd. Image anale. 74, 102216 (2021).

Article PubMed PubMed Central Google Scholar

Shen, B. et al. Les résultats initiaux de la radiographie pulmonaire informent sur le statut covid-19, l'admission en unité de soins intensifs et le besoin de ventilation mécanique. Clin. Radiol. 76(6), 473.e1-473.e7 (2021).

Article CAS PubMed Google Scholar

Liu, Y. et al. Hétérogénéité tumorale évaluée par analyse de texture sur scanner à contraste amélioré dans l'adénocarcinome pulmonaire : association avec le grade pathologique. Oncocible 8(32), 53664–53674 (2017).

Article PubMed PubMed Central Google Scholar

Krizhevsky, A., Sutskever, I. & Hinton, GE Classification Imagenet avec réseaux de neurones à convolution profonde. Adv. Neural. Inf. Processus. Syst. 25, 1–9 (2012).

Google Scholar

Lui, K. et al. Apprentissage résiduel profond pour la reconnaissance d'images. Dans Actes de la conférence IEEE sur la vision par ordinateur et la reconnaissance de formes, 770–778 (2016).

Chandra, TB et al. Détection de la maladie à coronavirus (covid19) dans les images radiographiques pulmonaires à l'aide d'un ensemble de classificateurs basé sur le vote majoritaire. Système expert. Appl. 165(113), 909 (2021).

Google Scholar

Johri, S. et al. Un nouveau cadre analytique basé sur l'apprentissage automatique pour la détection automatique du covid-19 à l'aide d'images de radiographie pulmonaire. Int. J. Système d'imagerie. Technol. 31(3), 1105–1119 (2021).

Article Google Scholar

Selvi, JT, Subhashini, K. & Methini, M. Enquête sur les images de radiographie pulmonaire covid-19 à l'aide de caractéristiques de texture - Une approche globale. Computationnel 1, 45–58 (2021).

MATH Google Scholar

van Griethuysen, JJM et al. Système de radiomique computationnelle pour décoder le phénotype radiographique. Cancer Rés. 77(21), e104–e107 (2017).

Article PubMed PubMed Central Google Scholar

Zhang, Q., Wu, YN & Zhu, SC Réseaux de neurones convolutifs interprétables. Dans Actes de la conférence IEEE sur la vision par ordinateur et la reconnaissance de formes, 8827–8836 (2018).

Varghese, BA et al. Prédire les résultats cliniques du covid-19 à l'aide de la radiomique sur les radiographies thoraciques. Br. J. Radiol. 94(1126), 20210221 (2021).

Article PubMed Google Scholar

Iori, M. et al. Prévision de la mortalité des patients COVID-19 à l'aide de caractéristiques radiomiques et de réseaux neuronaux extraites d'un large échantillon de radiographie pulmonaire : une approche robuste pour différents scénarios médicaux déséquilibrés. Appl. Sci. 12(8), 3903 (2022).

Article CAS Google Scholar

Blain, M. et al. Détermination de la gravité de la maladie chez les patients covid-19 à l'aide de l'apprentissage en profondeur dans les images radiographiques pulmonaires. Diag. Interv. Radiol. 27(1), 20–27 (2021).

Article PubMed Google Scholar

Liu, X. et al. Changements radiographiques temporels chez les patients covid-19 : Relation avec la gravité de la maladie et la clairance virale. Sci. Rep. 10(1), 10263 (2020).

Article ADS CAS PubMed PubMed Central Google Scholar

Yasin, R. & Gouda, W. Résultats des radiographies pulmonaires surveillant l'évolution et la gravité de la maladie covid-19. Egypte. J. Radiol. Nucl. Méd. 51(1), 193 (2020).

Article Google Scholar

Castelli, G. et al. Brève communication : Score de radiographie thoracique chez les jeunes patients covid-19 : une taille unique ?. PLoS ONE 17(2), e0264172 (2022).

Article CAS PubMed PubMed Central Google Scholar

Quan, H. et al. Algorithmes de codage pour définir les comorbidités dans les données administratives icd-9-cm et icd-10. Méd. Soins 43(11), 1130–1139 (2005).

Article PubMed Google Scholar

Cau, R. et al. Diagnostic long-COVID : du diagnostic aux modèles avancés basés sur l'IA. EUR. J. Radiol. 148, 110164 (2022).

Article PubMed PubMed Central Google Scholar

Sudre, CH et al. Attributs et prédicteurs du long COVID. Nat. Méd. 27(4), 626–631 (2021).

Article CAS PubMed PubMed Central Google Scholar

Jiao, Z. et al. Pronostic des patients atteints de covid-19 à l'aide de l'intelligence artificielle basée sur des radiographies pulmonaires et des données cliniques : une étude rétrospective. Lancet chiffre. Santé 3(5), e286–e294 (2021).

Article CAS PubMed PubMed Central Google Scholar

Alqahtani, JS et al. Prévalence, gravité et mortalité associées à la MPOC et au tabagisme chez les patients atteints de covid-19 : une revue systématique rapide et une méta-analyse. PLoS ONE 15(5), e0233147 (2020).

Article CAS PubMed PubMed Central Google Scholar

Centres pour le Contrôle et la Prévention des catastrophes. Preuve scientifique des conditions associées à un risque plus élevé de covid-19 sévère. https://www.cdc.gov/coronavirus/2019-ncov/science/sciencebriefs/underlying-evidence-table.html (consulté le 13 juin 2022) (2022).

Ebinger, JE et al. Traits préexistants associés à la gravité de la maladie covid-19. PLoS ONE 15(7), e0236240 (2020).

Article CAS PubMed PubMed Central Google Scholar

Jordan, RE, Adab, P. & Cheng, KK Covid-19 : Facteurs de risque de maladie grave et de décès. BMJ 368, m1198 (2020).

Article PubMed Google Scholar

Khan, MMA et al. Effets des morbidités sous-jacentes sur la survenue de décès chez les patients covid-19 : une revue systématique et une méta-analyse. J. Glob. Santé 10(2), 020503 (2020).

Article PubMed PubMed Central Google Scholar

Kim, L. et al. Facteurs de risque d'admission en unité de soins intensifs et de mortalité hospitalière chez les adultes hospitalisés identifiés par le réseau américain de surveillance des hospitalisations associées à la maladie à coronavirus 2019 (covid-19) (covid-net). Clin. Infecter. Dis. 72(9), e206–e214 (2021).

Article CAS PubMed Google Scholar

Mikami, T. et al. Facteurs de risque de mortalité chez les patients atteints de covid-19 à new york. Stagiaire J. Gen. Méd. 36(1), 17–26 (2021).

Article PubMed Google Scholar

Rod, JE, Oviedo-Trespalacios, O. & Cortes-Ramirez, J. Un bref examen des facteurs de risque de gravité du COVID-19. Rév. Santé publique 54, 60 (2020).

Article CAS PubMed PubMed Central Google Scholar

Salerne, S. et al. Évaluation complète des résultats à court et à long terme des patients covid-19 : disparités dans l'utilisation des soins de santé et les résultats post-hospitalisation. PLoS ONE 16(10), e0258278 (2021).

Article CAS PubMed PubMed Central Google Scholar

Ssentongo, P. et al. Association des maladies cardiovasculaires et de 10 autres comorbidités préexistantes avec la mortalité due au covid-19 : une revue systématique et une méta-analyse. PLoS ONE 15(8), e0238215 (2020).

Article CAS PubMed PubMed Central Google Scholar

Wang, B. et al. La comorbidité augmente-t-elle le risque des patients atteints de covid-19 : preuves issues d'une méta-analyse. Vieillissement 12(7), 6049–6057 (2020).

Article CAS PubMed PubMed Central Google Scholar

Williamson, EJ et al. Facteurs associés à la mort liée au covid-19 en utilisant opensafely. Nature 584(7821), 430–436 (2020).

Article CAS PubMed PubMed Central Google Scholar

Wu, Z. & McGoogan, JM Caractéristiques et leçons importantes de l'épidémie de maladie à coronavirus 2019 (covid-19) en Chine : résumé d'un rapport de 72 314 cas du centre chinois de contrôle et de prévention des maladies. JAMA 323(13), 1239-1242 (2020).

Article CAS PubMed Google Scholar

Yang, J. et al. Prévalence des comorbidités et ses effets chez les patients infectés par le SRAS-CoV-2 : une revue systématique et une méta-analyse. Int. J. Infecter. Dis. 94, 91-95 (2020).

Article CAS PubMed PubMed Central Google Scholar

Clarke, P. & Melendez, R. (Ann Arbor, MI) Archives nationales de données sur les quartiers (nanda): Caractéristiques socioéconomiques et démographiques des quartiers des secteurs de recensement, États-Unis, 2000–2010. Consortium interuniversitaire de recherche politique et sociale.

Gu, T. et al. Caractéristiques associées aux disparités raciales/ethniques dans les résultats du covid-19 dans un système de soins de santé universitaire. Réseau JAMA. Ouvert 3(10), e2025197 (2020).

Article PubMed PubMed Central Google Scholar

Salerne, S. et al. Modèles de tests de diagnostic répétés pour le covid-19 en relation avec les caractéristiques et les résultats des patients. J. Stagiaire. Méd. 289(5), 726–737 (2021).

Article CAS PubMed Google Scholar

Crabb, BT et al. Comparaison de la classification internationale des maladies et des problèmes de santé connexes, codes de dixième révision avec les dossiers médicaux électroniques chez les patients présentant des symptômes de maladie à coronavirus 2019. JAMA Netw. Ouvrir 3(8), e2017703 (2020).

Article PubMed PubMed Central Google Scholar

Elixhauser, A. et al. Mesures de comorbidité à utiliser avec les données administratives. Méd. Soins 36(1), 8–27 (1998).

Article CAS PubMed Google Scholar

van Walraven, C. et al. Une modification des mesures de comorbidité Elixhauser en un système de points pour les décès à l'hôpital à l'aide de données administratives. Méd. Soins 47(6), 626–633 (2009).

Article PubMed Google Scholar

Jain, AK Principes fondamentaux du traitement d'images numériques (Prentice-Hall Inc, 1989).

MATH Google Scholar

Yip, SS & Aerts, HJ Applications et limites de la radiomique. Phys. Méd. Biol. 61(13), R150 (2016).

Article ADS CAS PubMed PubMed Central Google Scholar

Galloway, MM Analyse de texture utilisant des longueurs de passage en niveaux de gris. Calcul. Graphique. Processus d'image. 4(2), 172–179 (1975).

Article Google Scholar

Chu, A., Sehgal, CM & Greenleaf, JF Utilisation de la distribution des valeurs de gris des longueurs de passage pour l'analyse de texture. Reconnaissance de motif. Lett. 11(6), 415–419 (1990).

Article ANNONCES MATH Google Scholar

Haralick, RM, Shanmugam, K. & Dinstein, I. Caractéristiques texturales pour la classification des images. IEEE Trans. Syst. Homme Cybern. SMC 3(6), 610–621 (1973).

Article Google Scholar

Thibault, G. et al. Application des indices de forme et de texture à la classification des noyaux cellulaires. Int. J. Reconnaissance de motif. Artef. Renseignement. 27(01), 1357002 (2013).

Article MathSciNet Google Scholar

Fisher, A., Rudin, C. & Dominici, F. Tous les modèles sont faux, mais beaucoup sont utiles : apprendre l'importance d'une variable en étudiant simultanément une classe entière de modèles de prédiction. J.Mach. Apprendre. Rés. 20(177), 1–81 (2019).

MathSciNet CAS MATH Google Scholar

Ishwaran, H. et al. Forêts de survie aléatoires pour les données de grande dimension. Statistique Anal. Données min. ASA Data Sci. J. 4(1), 115-132 (2011).

Article MathSciNet MATH Google Scholar

Salerno, S. & Li, Y. Analyse de survie en haute dimension : méthodes et applications. https://doi.org/10.48550/arXiv.2205.02948 (Preprint mis en ligne le 5 mai 2022).

Uno, H. et al. Évaluation des règles de prédiction pour les survivants de l'année t avec des modèles de régression censurés. Confiture. Statistique Assoc. 102(478), 527–537 (2007).

Article MathSciNet CAS MATH Google Scholar

Uno, H. et al. Sur les statistiques c pour évaluer l'adéquation globale des procédures de prédiction des risques avec des données de survie censurées. Statistique Méd. 30(10), 1105–1117 (2011).

Article MathSciNet PubMed PubMed Central Google Scholar

Breiman, L. Forêts aléatoires. Mach. Apprendre. 45(1), 5–32 (2001).

Article MATH Google Scholar

Télécharger les références

Nous remercions le Dr Brahmajee Nallamothu d'avoir dirigé le développement et la conservation de DataDirect, une plate-forme d'analyse basée sur GPU récemment lancée par le biais de la Michigan Medicine Precision Health Initiative. Nous sommes reconnaissants à Anisa Driscoll et Cinzia Smothers pour leur soutien analytique continu en ce qui concerne la gestion de la base de données, le traitement des données et l'utilisation de la plateforme DataDirect. De plus, nous tenons à remercier le Dr Hamid Usefi et deux relecteurs pour leurs commentaires et suggestions perspicaces, qui ont bénéficié à la révision de ce manuscrit.

Instituts nationaux de la santé, subvention R01-CA249096-01A1 (YL) de l'Institut national du cancer.

Ces auteurs ont contribué à parts égales : Yuming Sun et Stephen Salerno.

Département de biostatistique, Université du Michigan, 1415 Washington Heights, Ann Arbor, MI, 48109, États-Unis

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

Département de santé environnementale et d'épidémiologie, Harvard TH Chan School of Public Health, 677 Huntington Avenue, Boston, MA, 02115, États-Unis

Xinan Wang et David C. Christiani

Division des soins pulmonaires et intensifs, Département de médecine interne, École de médecine de l'Université du Michigan, 1500 East Medical Center Drive, Ann Arbor, MI, 48109, États-Unis

Michael W. Sjoding

Département de radio-oncologie, Université du Michigan Rogel Cancer Center, 1500 East Medical Center Drive, Ann Arbor, MI, 48109, États-Unis

Shruti Jolly

Division des soins pulmonaires et intensifs, Département de médecine interne, Massachusetts General Hospital, 55 Fruit Street, Boston, MA, 02114, États-Unis

David C. Christiani

Vous pouvez également rechercher cet auteur dans PubMed Google Scholar

Vous pouvez également rechercher cet auteur dans PubMed Google Scholar

Vous pouvez également rechercher cet auteur dans PubMed Google Scholar

Vous pouvez également rechercher cet auteur dans PubMed Google Scholar

Vous pouvez également rechercher cet auteur dans PubMed Google Scholar

Vous pouvez également rechercher cet auteur dans PubMed Google Scholar

Vous pouvez également rechercher cet auteur dans PubMed Google Scholar

Vous pouvez également rechercher cet auteur dans PubMed Google Scholar

Vous pouvez également rechercher cet auteur dans PubMed Google Scholar

Vous pouvez également rechercher cet auteur dans PubMed Google Scholar

Vous pouvez également rechercher cet auteur dans PubMed Google Scholar

Vous pouvez également rechercher cet auteur dans PubMed Google Scholar

Vous pouvez également rechercher cet auteur dans PubMed Google Scholar

Vous pouvez également rechercher cet auteur dans PubMed Google Scholar

Conceptualisation : YS, SS, PH, JK, YL Méthodologie : YS, SS, XW, PH, JK, MWS, SJ, DCC, YL Enquête : YS, SS, XH, ZP, EY, CS, JS, XW Visualisation : YS, SS Supervision : XW, PH, JK, MWS, SJ, DCC, YL Rédaction — ébauche originale : YS, SS, XH, YL Rédaction — révision et édition : YS , SS, XH, ZP, EY, CS, JS, XW, PH, JK, MWS, SJ, DCC, YL

Correspondance à Yi Li.

Les auteurs ne déclarent aucun intérêt concurrent.

Springer Nature reste neutre en ce qui concerne les revendications juridictionnelles dans les cartes publiées et les affiliations institutionnelles.

Libre accès Cet article est sous licence Creative Commons Attribution 4.0 International, qui autorise l'utilisation, le partage, l'adaptation, la distribution et la reproduction sur tout support ou format, à condition que vous accordiez le crédit approprié à l'auteur ou aux auteurs originaux et à la source, fournissez un lien vers la licence Creative Commons et indiquez si des modifications ont été apportées. Les images ou tout autre matériel de tiers dans cet article sont inclus dans la licence Creative Commons de l'article, sauf indication contraire dans une ligne de crédit au matériel. Si le matériel n'est pas inclus dans la licence Creative Commons de l'article et que votre utilisation prévue n'est pas autorisée par la réglementation légale ou dépasse l'utilisation autorisée, vous devrez obtenir l'autorisation directement du détenteur des droits d'auteur. Pour voir une copie de cette licence, visitez http://creativecommons.org/licenses/by/4.0/.

Réimpressions et autorisations

Sun, Y., Salerno, S., He, X. et al. Utilisation de l'apprentissage automatique pour évaluer l'utilité pronostique des caractéristiques radiomiques pour la mortalité COVID-19 à l'hôpital. Sci Rep 13, 7318 (2023). https://doi.org/10.1038/s41598-023-34559-0

Télécharger la citation

Reçu : 29 septembre 2022

Accepté : 03 mai 2023

Publié: 05 mai 2023

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

Toute personne avec qui vous partagez le lien suivant pourra lire ce contenu :

Désolé, aucun lien partageable n'est actuellement disponible pour cet article.

Fourni par l'initiative de partage de contenu Springer Nature SharedIt

En soumettant un commentaire, vous acceptez de respecter nos conditions d'utilisation et nos directives communautaires. Si vous trouvez quelque chose d'abusif ou qui ne respecte pas nos conditions ou directives, veuillez le signaler comme inapproprié.