根據柏林夏里特醫學院的Florian Kurth和Markus Ralser及其同事本周發表在《PLOS數字健康》開放期刊上的一項新研究，來自COVID-19重症患者的單個血樣可以被一個機器學習模型分析，該模型利用血漿蛋白來預測生存率，而這要比結果早幾個星期。
世界各地的醫療系統正在努力容納大量需要特別醫療照顧的COVID-19重症患者，特別是當他們被確定為高風險時。在重症監護醫學中，臨床確立的風險評估，如SOFA或APACHE II，在預測COVID-19的未來疾病結果方面只顯示出有限的可靠性。
在新研究中，研究人員分析了在349個時間點採集的血樣中321種蛋白質的水平，這些血樣來自德國和奧地利的兩個獨立醫療中心正在治療的50名COVID-19重症患者。一種機器學習方法被用來尋找所測量的蛋白質和病人生存之間的聯繫。
隊列中的15名患者死亡；從入院到死亡的平均時間為28天。對於活下來的病人，住院時間的中位數是63天。研究人員確定了14種蛋白質，隨着時間的推移，與在重症監護下無法存活的病人相比，存活的病人的蛋白質變化方向相反。研究小組隨後開發了一個機器學習模型，根據相關蛋白質的單一時間點測量來預測生存率，並在24名COVID-19重症患者的獨立驗證隊列中測試了該模型。該模型在這個隊列中表現出很高的預測能力，正確預測了19名患者中的18名生存者和5名死亡者的結局（AUROC = 1.0，P = 0.000047）。
研究人員總結說，如果在更大的隊列中得到驗證，血液蛋白檢驗可能有助於識別具有最高死亡風險的患者，以及檢驗某種治療是否會改變單個患者的預測軌跡。