[發(fā)明專(zhuān)利]全血細(xì)胞計(jì)數(shù)在預(yù)測(cè)SARS-CoV-2感染中的應(yīng)用

有效

• 申請(qǐng)?zhí)枺?/td>: 202011314648.8
• 申請(qǐng)日: 2020-11-21
• 公開(kāi)（公告）號(hào): CN112525804B
• 公開(kāi)（公告）日: 2022-07-22
• 發(fā)明（設(shè)計(jì)）人: 魏冬青;法哈德·胡瑪云;王恒;王艷菁
• 申請(qǐng)（專(zhuān)利權(quán)）人: 煙臺(tái)智醫(yī)醫(yī)藥科技有限公司;上海交通大學(xué)
• 主分類(lèi)號(hào): G01N15/10
• 分類(lèi)號(hào): G01N15/10;G06K9/62;G06N20/00;G16H10/60
• 代理公司: 暫無(wú)信息
• 代理人: 暫無(wú)信息

本發(fā)明涉及生物技術(shù)領(lǐng)域，具體涉及全血細(xì)胞計(jì)數(shù)在預(yù)測(cè)SARS?CoV?2感染中的應(yīng)用，本發(fā)明實(shí)施了多種模型，應(yīng)用決策樹(shù)，K近鄰算法，支持向量機(jī)和樸素貝葉斯進(jìn)行分類(lèi)，這些模型可以預(yù)測(cè)SARS?CoV?2，其中非住院患者在決策樹(shù)模型中的AUC最高可達(dá)90％，而綜合住院患者在支持向量機(jī)模型中的數(shù)據(jù)可以達(dá)到96％，本發(fā)明不僅使用從標(biāo)準(zhǔn)化全血細(xì)胞計(jì)數(shù)收集的數(shù)據(jù)，還與在相同數(shù)據(jù)集但使用不同模型的研究進(jìn)行了比較，該比較表明，支持向量機(jī)和決策樹(shù)的性能優(yōu)于已公開(kāi)研究中使用的模型，這可以在疾病表現(xiàn)的早期階段使用生物標(biāo)記物對(duì)SARS?CoV?2陽(yáng)性與陰性之間進(jìn)行初步篩選，由于其簡(jiǎn)單性和易于測(cè)量的參數(shù)，全血細(xì)胞計(jì)數(shù)的不同參數(shù)具有巨大的價(jià)值和吸引力。

技術(shù)領(lǐng)域

本發(fā)明涉及生物技術(shù)領(lǐng)域，具體涉及全血細(xì)胞計(jì)數(shù)在預(yù)測(cè)SARS-CoV-2感染中的應(yīng)用。

背景技術(shù)

自2019年12月以來(lái)，COVID-19病毒株已引發(fā)公共衛(wèi)生問(wèn)題。感染會(huì)導(dǎo)致發(fā)燒，咳嗽， 精疲力竭以及中度至重度的呼吸道癥狀，如果非常嚴(yán)重的話，會(huì)導(dǎo)致患者死亡。3月11日， 世界衛(wèi)生組織宣布病毒爆發(fā)為大流行。

為了證實(shí)出現(xiàn)COVID-19的人是否已經(jīng)成功地脫出SARS-CoV-2，基于逆轉(zhuǎn)錄聚合酶鏈 反應(yīng)(rt-PCR)的方法已成為主要標(biāo)準(zhǔn)。但是，綜合各種因素考慮，包括無(wú)足夠的工具用于 rt-PCR監(jiān)測(cè)SARS-CoV-2的存在，阻礙了進(jìn)行大規(guī)模的患者研究。與胸部CT掃描的結(jié)果相比，所用常規(guī)測(cè)試的準(zhǔn)確度為80％，這還取決于樣本檢查時(shí)每個(gè)人特定的病毒脫落程度。此外，根據(jù)現(xiàn)有系統(tǒng)，從樣品處理到建議患者的時(shí)間預(yù)計(jì)將花費(fèi)數(shù)小時(shí)到數(shù)天。除了患者出現(xiàn)的廣泛癥狀以及胸部CT癥狀和rt-PCR的結(jié)果之間存在差異之外，這些具體問(wèn)題還表明，檢查病毒的明確存在需要進(jìn)行實(shí)質(zhì)性的改變。盡管目前正在使用CRISPR和Biosensors來(lái)開(kāi)發(fā)針對(duì)SARS-CoV-2的相當(dāng)具體的測(cè)試，但這些開(kāi)創(chuàng)性的應(yīng)用將需要極其復(fù)雜的設(shè)備和資源。這將對(duì)不富裕的社區(qū)產(chǎn)生消極影響，這些社區(qū)將無(wú)法負(fù)擔(dān)這些創(chuàng)新設(shè)備和資源，從而無(wú)法在 有限的時(shí)間內(nèi)控制大流行。無(wú)需專(zhuān)用設(shè)備和服務(wù)篩查是一項(xiàng)全球性挑戰(zhàn)。越來(lái)越多地開(kāi)發(fā)機(jī) 器學(xué)習(xí)(Machine Learning,ML)和人工智能(AI)的方法，以協(xié)助正在進(jìn)行的大流行中的臨 床實(shí)踐。

預(yù)測(cè)一個(gè)人的疾病早期是SARS-CoV-2陽(yáng)性還是陰性，使用機(jī)器學(xué)習(xí)從全血細(xì)胞計(jì)數(shù)中 預(yù)測(cè)SARS-CoV-2(陽(yáng)性/陰性)的檢測(cè)結(jié)果目前還未有公開(kāi)資料報(bào)道。

發(fā)明內(nèi)容

本發(fā)明的目的在于提供全血細(xì)胞計(jì)數(shù)在預(yù)測(cè)SARS-CoV-2感染中的應(yīng)用，通過(guò)機(jī)器學(xué)習(xí) 從全血細(xì)胞計(jì)數(shù)中預(yù)測(cè)SARS-CoV-2檢測(cè)結(jié)果，為預(yù)測(cè)疾病早期是SARS-CoV-2陽(yáng)性還是陰 性提供一種簡(jiǎn)單有效的方法。

本發(fā)明的技術(shù)方案為：

全血細(xì)胞計(jì)數(shù)在預(yù)測(cè)SARS-CoV-2感染中的應(yīng)用。

本發(fā)明提供一種全血細(xì)胞計(jì)數(shù)預(yù)測(cè)SARS-CoV-2感染的機(jī)器學(xué)習(xí)方法，包括如下步驟：

S1：患者數(shù)據(jù)集收集；

S2：模型定義，采用機(jī)器學(xué)習(xí)模型進(jìn)行比較；

S3：進(jìn)行K倍交叉驗(yàn)證。

優(yōu)選的，所述步驟S2中，模型中省略半重癥監(jiān)護(hù)病房和ICU的患者數(shù)據(jù)，中性粒細(xì)胞 也不包括在內(nèi)。

優(yōu)選的，所述步驟S2中，機(jī)器學(xué)習(xí)模型應(yīng)用決策樹(shù)，K近鄰算法，支持向量機(jī)和樸素貝 葉斯四種分類(lèi)器進(jìn)行分類(lèi)。

優(yōu)選的，所述步驟S2中，每種模型的性能均以準(zhǔn)確性，敏感性，特異性和AUC表示。

優(yōu)選的，所述步驟S2中，各個(gè)模型的計(jì)算公式如下：

準(zhǔn)確度：

敏感性：

特異性：