RU2821547C1 - METHOD FOR PREDICTION OF SEVERITY OF INFECTION CAUSED BY SARS-CoV-2 IN YOUNG PEOPLE IN INITIAL PERIOD OF DISEASE - Google Patents
METHOD FOR PREDICTION OF SEVERITY OF INFECTION CAUSED BY SARS-CoV-2 IN YOUNG PEOPLE IN INITIAL PERIOD OF DISEASE Download PDFInfo
- Publication number
- RU2821547C1 RU2821547C1 RU2024101508A RU2024101508A RU2821547C1 RU 2821547 C1 RU2821547 C1 RU 2821547C1 RU 2024101508 A RU2024101508 A RU 2024101508A RU 2024101508 A RU2024101508 A RU 2024101508A RU 2821547 C1 RU2821547 C1 RU 2821547C1
- Authority
- RU
- Russia
- Prior art keywords
- blood
- concentration
- sars
- cov
- infection caused
- Prior art date
Links
- 241001678559 COVID-19 virus Species 0.000 title claims abstract description 33
- 208000015181 infectious disease Diseases 0.000 title claims abstract description 32
- 201000010099 disease Diseases 0.000 title claims abstract description 25
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 title claims abstract description 25
- 238000000034 method Methods 0.000 title claims abstract description 10
- 210000004369 blood Anatomy 0.000 claims abstract description 45
- 239000008280 blood Substances 0.000 claims abstract description 45
- 210000003743 erythrocyte Anatomy 0.000 claims abstract description 8
- 102000008857 Ferritin Human genes 0.000 claims abstract description 7
- 108050000784 Ferritin Proteins 0.000 claims abstract description 7
- 238000008416 Ferritin Methods 0.000 claims abstract description 7
- QVGXLLKOCUKJST-UHFFFAOYSA-N atomic oxygen Chemical compound [O] QVGXLLKOCUKJST-UHFFFAOYSA-N 0.000 claims abstract description 7
- 210000003979 eosinophil Anatomy 0.000 claims abstract description 7
- 210000004698 lymphocyte Anatomy 0.000 claims abstract description 7
- 210000000440 neutrophil Anatomy 0.000 claims abstract description 7
- 229910052760 oxygen Inorganic materials 0.000 claims abstract description 7
- 239000001301 oxygen Substances 0.000 claims abstract description 7
- 108010074051 C-Reactive Protein Proteins 0.000 claims abstract 4
- 102100032752 C-reactive protein Human genes 0.000 claims abstract 4
- 239000003154 D dimer Substances 0.000 claims abstract 2
- 108010052295 fibrin fragment D Proteins 0.000 claims abstract 2
- 102000001554 Hemoglobins Human genes 0.000 claims description 6
- 108010054147 Hemoglobins Proteins 0.000 claims description 6
- 239000000539 dimer Substances 0.000 claims description 5
- 239000003814 drug Substances 0.000 abstract description 3
- 239000000126 substance Substances 0.000 abstract 1
- 208000025721 COVID-19 Diseases 0.000 description 22
- 238000010801 machine learning Methods 0.000 description 6
- 238000012360 testing method Methods 0.000 description 4
- 208000001528 Coronaviridae Infections Diseases 0.000 description 3
- 206010061218 Inflammation Diseases 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 3
- 238000009534 blood test Methods 0.000 description 3
- 238000003745 diagnosis Methods 0.000 description 3
- 210000000265 leukocyte Anatomy 0.000 description 3
- 238000004393 prognosis Methods 0.000 description 3
- 206010050685 Cytokine storm Diseases 0.000 description 2
- 108090001005 Interleukin-6 Proteins 0.000 description 2
- 206010052015 cytokine release syndrome Diseases 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000004054 inflammatory process Effects 0.000 description 2
- 238000007477 logistic regression Methods 0.000 description 2
- 238000012552 review Methods 0.000 description 2
- 208000024891 symptom Diseases 0.000 description 2
- GOZMBJCYMQQACI-UHFFFAOYSA-N 6,7-dimethyl-3-[[methyl-[2-[methyl-[[1-[3-(trifluoromethyl)phenyl]indol-3-yl]methyl]amino]ethyl]amino]methyl]chromen-4-one;dihydrochloride Chemical compound Cl.Cl.C=1OC2=CC(C)=C(C)C=C2C(=O)C=1CN(C)CCN(C)CC(C1=CC=CC=C11)=CN1C1=CC=CC(C(F)(F)F)=C1 GOZMBJCYMQQACI-UHFFFAOYSA-N 0.000 description 1
- OYPRJOBELJOOCE-UHFFFAOYSA-N Calcium Chemical compound [Ca] OYPRJOBELJOOCE-UHFFFAOYSA-N 0.000 description 1
- 208000032862 Clinical Deterioration Diseases 0.000 description 1
- 208000035473 Communicable disease Diseases 0.000 description 1
- 108090000695 Cytokines Proteins 0.000 description 1
- 102000004127 Cytokines Human genes 0.000 description 1
- 102000004190 Enzymes Human genes 0.000 description 1
- 108090000790 Enzymes Proteins 0.000 description 1
- 206010016654 Fibrosis Diseases 0.000 description 1
- -1 IL-1β Proteins 0.000 description 1
- 208000025814 Inflammatory myopathy with abundant macrophages Diseases 0.000 description 1
- 102100037850 Interferon gamma Human genes 0.000 description 1
- 102000006992 Interferon-alpha Human genes 0.000 description 1
- 108010047761 Interferon-alpha Proteins 0.000 description 1
- 108010074328 Interferon-gamma Proteins 0.000 description 1
- 206010028980 Neoplasm Diseases 0.000 description 1
- 206010035664 Pneumonia Diseases 0.000 description 1
- 208000004756 Respiratory Insufficiency Diseases 0.000 description 1
- 208000037847 SARS-CoV-2-infection Diseases 0.000 description 1
- 201000003176 Severe Acute Respiratory Syndrome Diseases 0.000 description 1
- 210000001744 T-lymphocyte Anatomy 0.000 description 1
- 230000001154 acute effect Effects 0.000 description 1
- 230000002411 adverse Effects 0.000 description 1
- 208000002399 aphthous stomatitis Diseases 0.000 description 1
- 230000002146 bilateral effect Effects 0.000 description 1
- 239000003809 bile pigment Substances 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 229910052791 calcium Inorganic materials 0.000 description 1
- 239000011575 calcium Substances 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 201000011510 cancer Diseases 0.000 description 1
- 210000004027 cell Anatomy 0.000 description 1
- 230000005779 cell damage Effects 0.000 description 1
- 238000003759 clinical diagnosis Methods 0.000 description 1
- 238000009535 clinical urine test Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 239000003792 electrolyte Substances 0.000 description 1
- 230000004761 fibrosis Effects 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 230000000521 hyperimmunizing effect Effects 0.000 description 1
- 230000001900 immune effect Effects 0.000 description 1
- 230000006749 inflammatory damage Effects 0.000 description 1
- 230000002757 inflammatory effect Effects 0.000 description 1
- 238000009533 lab test Methods 0.000 description 1
- 238000003771 laboratory diagnosis Methods 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 238000010197 meta-analysis Methods 0.000 description 1
- 230000003680 myocardial damage Effects 0.000 description 1
- OHDXDNUPVVYWOV-UHFFFAOYSA-N n-methyl-1-(2-naphthalen-1-ylsulfanylphenyl)methanamine Chemical compound CNCC1=CC=CC=C1SC1=CC=CC2=CC=CC=C12 OHDXDNUPVVYWOV-UHFFFAOYSA-N 0.000 description 1
- 230000008506 pathogenesis Effects 0.000 description 1
- 230000000770 proinflammatory effect Effects 0.000 description 1
- 230000005180 public health Effects 0.000 description 1
- 238000007637 random forest analysis Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 201000004193 respiratory failure Diseases 0.000 description 1
- 208000023504 respiratory system disease Diseases 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 206010039083 rhinitis Diseases 0.000 description 1
- 238000009666 routine test Methods 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 210000002966 serum Anatomy 0.000 description 1
- 238000012706 support-vector machine Methods 0.000 description 1
- 230000009897 systematic effect Effects 0.000 description 1
- 230000001225 therapeutic effect Effects 0.000 description 1
- 238000012549 training Methods 0.000 description 1
- 238000002255 vaccination Methods 0.000 description 1
Abstract
Description
Изобретение относится к области медицины и может быть использовано для прогнозирования тяжести течения инфекции, вызванной SARS-CoV-2, у лиц молодого возраста в начальном периоде болезни.The invention relates to the field of medicine and can be used to predict the severity of infection caused by SARS-CoV-2 in young people in the initial period of the disease.
Опыт текущей пандемии подчеркнул решающее значение точной и своевременной клинико-лабораторной диагностики, наряду с выявлением групп риска развития неблагоприятного течения болезни, для оказания надлежащей медицинской помощи. Выявление пациентов из групп риска развития тяжёлого течения заболевания в начальном периоде болезни тесно связано со снижением частоты наступления неблагоприятных исходов заболевания [1]. В большинстве работ ключевая роль в предсказании степени тяжести отводится фоновым заболеваниям и возрасту пациентов [2, 3, 4, 5]. Вместе с тем изучение концепции формирования «цитокинового шторма» в разгаре заболевания позволило установить ведущую роль провоспалительных цитокинов (IFN-α, IFN-γ, IL-1β, IL-6, IL-12, IL-18, IL-33, TNF-α) в развитии гипериммунного ответа независимо от возраста пациента, в связи с чем именно они рассматривались в качестве лабораторных предикторов тяжёлого течения инфекции, вызванной SARS-CoV-2 [6, 7]. При этом особо актуальным является определение признаков, ассоциированных с развитием тяжёлого течения, доступных при выполнении рутинных лабораторных исследований в дебюте заболевания для преодоления сложности имплементации разработанных моделей в реальную клиническую практику [8]. В настоящее время не существует способов прогнозирования тяжести течения COVID-19 в отдельных демографических группах в начальном периоде болезни. The experience of the current pandemic has emphasized the critical importance of accurate and timely clinical and laboratory diagnosis, along with identifying groups at risk of developing an unfavorable course of the disease, to provide appropriate medical care. Identification of patients at risk of developing severe disease in the initial period of the disease is closely associated with a decrease in the incidence of adverse disease outcomes [1]. In most studies, a key role in predicting the severity is given to background diseases and the age of patients [2, 3, 4, 5]. At the same time, studying the concept of the formation of a “cytokine storm” at the height of the disease made it possible to establish the leading role of pro-inflammatory cytokines (IFN-α, IFN-γ, IL-1β, IL-6, IL-12, IL-18, IL-33, TNF- α) in the development of a hyperimmune response, regardless of the patient’s age, and therefore they were considered as laboratory predictors of severe infection caused by SARS-CoV-2 [6, 7]. At the same time, it is especially relevant to determine the signs associated with the development of severe disease, which are available when performing routine laboratory tests at the onset of the disease in order to overcome the complexity of implementing the developed models into real clinical practice [8]. There are currently no ways to predict the severity of COVID-19 in specific demographic groups early in the course of illness.
Известны методики предсказания тяжёлого течения и смерти при COVID-19 с использованием градиентного бустинга [9, 10, 11, 7, 12], где в качестве диагностических признаков использованы возраст, пол, сопутствующие заболевания, показатели витальных функций, неспецифические маркеры воспаления и клеточного повреждения. There are known methods for predicting severe course and death in COVID-19 using gradient boosting [9, 10, 11, 7, 12], where age, gender, concomitant diseases, vital signs, nonspecific markers of inflammation and cellular damage are used as diagnostic signs .
Также известны модели на базе случайного леса, где среди ключевых показателей, используемых для предсказания тяжести течения заболевания, выделены количество лейкоцитов, содержание электролитов в крови, уровни ферментов и жёлчных пигментов.Models based on random forest are also known, where among the key indicators used to predict the severity of the disease are the number of leukocytes, the content of electrolytes in the blood, the levels of enzymes and bile pigments.
Также известны способы прогнозирования тяжёлого течения и смертельного исхода с применением методы опорных векторов. Среди ключевых показателей, используемых в указанных моделях, выделяют неспецифические маркеры воспаления в сыворотке крови, уровень кальция, маркеров повреждения миокарда, а также показатели иммунологического профиля крови (IL-6 и СD3-субпопуляцию Т-лимфоцитов) [13, 14, 15, 16]. There are also known methods for predicting severe disease and death using support vector machines. Among the key indicators used in these models are nonspecific markers of inflammation in the blood serum, calcium levels, markers of myocardial damage, as well as indicators of the immunological blood profile (IL-6 and CD3 subpopulation of T-lymphocytes) [13, 14, 15, 16 ].
Наибольшее количество моделей по предсказанию осложнённого течения приходится на модели на базе логистической регрессии. В целом можно отметить схожесть построенных моделей и их незначительные отличия. Отличия в первую очередь связаны с выбором функции потерь, учётом дополнительных признаков и вариациями по использованию робастных параметров при построении модели [17, 18, 19, 20] Обобщая результаты исследований в этой области можно отметить значимость следующих признаков: компоненты общеклинического анализа крови, отражающие показатели как эритроцитарного так и лейкоцитарного ростков, неспецифические маркеры воспаления в результатах биохимического исследования крови, данные жалоб, возраст и пол пациентов.The largest number of models for predicting complicated course are models based on logistic regression. In general, one can note the similarity of the constructed models and their minor differences. The differences are primarily associated with the choice of loss function, taking into account additional features and variations in the use of robust parameters when constructing the model [17, 18, 19, 20]. Summarizing the results of research in this area, we can note the significance of the following features: components of a general clinical blood test, reflecting indicators both erythrocyte and leukocyte lineages, nonspecific markers of inflammation in the results of biochemical blood tests, data of complaints, age and gender of patients.
Ни один из известных способов не подходит для прогнозирования риска развития тяжёлого течения COVID-19 у лиц молодого возраста с неотягощенным преморбидным фоном в дебюте заболевания.None of the known methods is suitable for predicting the risk of developing severe COVID-19 in young people with an uncomplicated premorbid background at the onset of the disease.
Технический результат состоит в разработке способа прогнозирования тяжести течения инфекции, вызванной SARS-CoV-2, у лиц молодого возраста в начальном периоде болезни.The technical result consists in developing a method for predicting the severity of infection caused by SARS-CoV-2 in young people in the initial period of the disease.
Технический результат достигается тем, что в ходе прогнозирования тяжести течения инфекции, вызванной SARS-CoV-2, у лиц молодого возраста определяют абсолютное число эозинофилов, число эритроцитов, концентрацию CРБ в крови, абсолютное число нейтрофилов, СОЭ, концентрацию гемоглобина в крови, концентрацию ферритина в крови, уровень насыщения артериальной крови кислородом, концентрацию ЛДГ в крови, концентрацию D-димеров в крови абсолютное число лимфоцитов. После чего вычисляют значение прогноза P по формуле:The technical result is achieved by the fact that when predicting the severity of the infection caused by SARS-CoV-2, the absolute number of eosinophils, the number of red blood cells, the concentration of CRP in the blood, the absolute number of neutrophils, ESR, the concentration of hemoglobin in the blood, the concentration of ferritin are determined in young people in the blood, the level of arterial blood oxygen saturation, the concentration of LDH in the blood, the concentration of D-dimers in the blood, the absolute number of lymphocytes. Then the forecast value P is calculated using the formula:
P = 1 / (1 + e^(-1 *(50.1728739051841 + 0.46169963*I_EOS + 0.14777366*I_RBC + 0.01318599* I_CRP + 0.24233342*I_NEU + 0.03585143*I_ESR + -0.01893136*I_HBG + 0.00270375*I_FER + -0.54041309*I_PUL + 0.00384621*I_LDH + 0.01437249*I_DDIM + -0.55765214*I_LYM))), где:P = 1 / (1 + e^(-1 *(50.1728739051841 + 0.46169963*I_EOS + 0.14777366*I_RBC + 0.01318599* I_CRP + 0.24233342*I_NEU + 0.03585143*I_ESR + -0.018 93136*I_HBG + 0.00270375*I_FER + -0.54041309*I_PUL + 0.00384621*I_LDH + 0.01437249*I_DDIM + -0.55765214*I_LYM))), where:
Р - значение прогноза тяжести течения инфекции, вызванной SARS-CoV-2P - value for predicting the severity of infection caused by SARS-CoV-2
e - константа, основание натурального логарифма,e is a constant, the base of the natural logarithm,
I_EOS - абсолютное число эозинофилов (10^9/л),I_EOS - absolute number of eosinophils (10^9/l),
I_RBC - число эритроцитов (10^12/л),I_RBC - number of red blood cells (10^12/l),
I_CRP - концентрация CРБ в крови (мг/л),I_CRP - concentration of CRP in the blood (mg/l),
I_NEU - абсолютное число нейтрофилов (10^9/л),I_NEU - absolute number of neutrophils (10^9/l),
I_ESR - СОЭ (мм/ч),I_ESR - ESR (mm/h),
I_HBG - концентрация гемоглобина в крови (г/л),I_HBG - hemoglobin concentration in blood (g/l),
I_FER - концентрация ферритина в крови (нг/мл),I_FER - ferritin concentration in blood (ng/ml),
I_PUL - уровень насыщения артериальной крови кислородом (%),I_PUL - arterial blood oxygen saturation level (%),
I_LDH - концентрация ЛДГ в крови (ед/л),I_LDH - concentration of LDH in the blood (units/l),
I_DDIM - концентрация D-димеров в крови (нг/мл),I_DDIM - concentration of D-dimers in the blood (ng/ml),
I_LYM - абсолютное число лимфоцитов (10^9/л), причём при P<0,5 вероятность течения тяжести течения инфекции, вызванной SARS-CoV-2, у лиц молодого возраста оценивают как лёгкую, при P>=0,5 вероятность течения тяжести течения инфекции, вызванной SARS-CoV-2, у лиц молодого возраста оценивают как тяжёлую.I_LYM is the absolute number of lymphocytes (10^9/l), and with P<0.5 the probability of the severity of the infection caused by SARS-CoV-2 in young people is assessed as mild, with P>=0.5 the probability of the course The severity of infection caused by SARS-CoV-2 in young people is assessed as severe.
Изобретение поясняется фиг.1, на которой показан сonfusion matrix модели, и фиг.2, на которой представлена ROC-кривая модели.The invention is illustrated by Fig. 1, which shows the confusion matrix of the model, and Fig. 2, which shows the ROC curve of the model.
Выбор значимых диагностических критериев и построение формулы расчёта было осуществлено следующим образом. На основе ретроспективного анализа 576 историй болезни пациентов нами был выведен способ прогнозирования тяжести течения инфекции, вызванной SARS-CoV-2, у лиц молодого возраста с использованием метода мультифакторной логистической регрессии, определяя исход как: 0 - лёгкое течение, 1 - тяжёлое течение. Получена математическая модель для оценки тяжести течения инфекции, вызванной SARS-CoV-2, у лиц молодого возраста в начальном периоде болезни. Данные истории болезни были подразделены на обучающую и тестовую выборки, которые составили 403 и 173 записи соответственно. Данная модель при стандартном пороге классификации р=0,5 имеет точность - 82,0% чувствительность - 84,3%, специфичность - 80,0%. Пример классификации на тестовой выборке представлен на фиг.1 - в левом верхнем углу представлены истинно отрицательные значения классификации, в правом нижнем - истинно положительные результаты. В свою очередь, в левом нижнем и правом верхнем - ложноотрицательные и ложноположительные значения классификации.The selection of significant diagnostic criteria and the construction of the calculation formula were carried out as follows. Based on a retrospective analysis of 576 patient records, we developed a method for predicting the severity of infection caused by SARS-CoV-2 in young people using the multifactorial logistic regression method, defining the outcome as: 0 - mild, 1 - severe. A mathematical model has been obtained to assess the severity of infection caused by SARS-CoV-2 in young people in the initial period of the disease. The medical history data were divided into training and testing sets, which amounted to 403 and 173 records, respectively. This model, with a standard classification threshold of p = 0.5, has an accuracy of 82.0%, sensitivity of 84.3%, specificity of 80.0%. An example of classification on a test sample is presented in Fig. 1 - true negative classification values are presented in the upper left corner, true positive results are presented in the lower right corner. In turn, in the lower left and upper right are false negative and false positive classification values.
Для исследования прогностической ценности полученной модели был проведен ROC-анализ (receiver operating characteristic). Значение AUC составило 0.90. Данные ROC-анализа представлены на фиг.2.To study the predictive value of the resulting model, ROC analysis (receiver operating characteristic) was performed. The AUC value was 0.90. The ROC analysis data is presented in Fig. 2.
На основании данных, представленных выше, возможен вывод о достаточной адекватности представленной модели и возможности её применения в определении тяжести течения инфекции, вызванной SARS-CoV-2, у лиц молодого возраста.Based on the data presented above, it is possible to conclude that the presented model is sufficiently adequate and can be used in determining the severity of infection caused by SARS-CoV-2 in young people.
Заявляемый способ реализуют следующим образом. В начале у пациента, поступившего с инфекцией, вызванной SARS-CoV-2, в первые 72 часа от начала болезни, определяют абсолютное число эозинофилов, число эритроцитов, концентрацию CРБ в крови, абсолютное число нейтрофилов, СОЭ, концентрацию гемоглобина в крови, концентрацию ферритина в крови, уровень насыщения артериальной крови кислородом, концентрацию ЛДГ в крови, концентрацию D-димеров в крови, абсолютное число лимфоцитов. Далее вычисляют значение прогноза тяжести течения инфекции, вызванной SARS-CoV-2, по формуле:The inventive method is implemented as follows. Initially, in a patient admitted with an infection caused by SARS-CoV-2, in the first 72 hours from the onset of the disease, the absolute number of eosinophils, the number of red blood cells, the concentration of CRP in the blood, the absolute number of neutrophils, ESR, the concentration of hemoglobin in the blood, the concentration of ferritin are determined in the blood, the level of arterial blood oxygen saturation, the concentration of LDH in the blood, the concentration of D-dimers in the blood, the absolute number of lymphocytes. Next, calculate the value of the prediction of the severity of the infection caused by SARS-CoV-2 using the formula:
P = 1 / (1 + e^(-1 *(50.1728739051841 + 0.46169963*I_EOS + 0.14777366*I_RBC + 0.01318599* I_CRP + 0.24233342*I_NEU + 0.03585143*I_ESR + -0.01893136*I_HBG + 0.00270375*I_FER + -0.54041309*I_PUL + 0.00384621*I_LDH + 0.01437249*I_DDIM + -0.55765214*I_LYM))), где:P = 1 / (1 + e^(-1 *(50.1728739051841 + 0.46169963*I_EOS + 0.14777366*I_RBC + 0.01318599* I_CRP + 0.24233342*I_NEU + 0.03585143*I_ESR + -0.018 93136*I_HBG + 0.00270375*I_FER + -0.54041309*I_PUL + 0.00384621*I_LDH + 0.01437249*I_DDIM + -0.55765214*I_LYM))), where:
Р - значение прогноза тяжести течения инфекции, вызванной SARS-CoV-2,P is the value of predicting the severity of infection caused by SARS-CoV-2,
exp - константа, основание натурального логарифма,exp - constant, base of natural logarithm,
I_EOS - абсолютное число эозинофилов (10^9/л),I_EOS - absolute number of eosinophils (10^9/l),
I_RBC - число эритроцитов (10^12/л),I_RBC - number of red blood cells (10^12/l),
I_CRP - концентрация CРБ в крови (мг/л),I_CRP - concentration of CRP in the blood (mg/l),
I_NEU - абсолютное число нейтрофилов (10^9/л),I_NEU - absolute number of neutrophils (10^9/l),
I_ESR - СОЭ (мм/ч),I_ESR - ESR (mm/h),
I_HBG - концентрация гемоглобина в крови (г/л),I_HBG - hemoglobin concentration in blood (g/l),
I_FER - концентрация ферритина в крови (нг/мл),I_FER - ferritin concentration in blood (ng/ml),
I_PUL - уровень насыщения артериальной крови кислородом (%),I_PUL - arterial blood oxygen saturation level (%),
I_LDH - концентрация ЛДГ в крови (ед/л),I_LDH - concentration of LDH in the blood (units/l),
I_DDIM - концентрация D-димеров в крови (нг/мл),I_DDIM - concentration of D-dimers in the blood (ng/ml),
I_LYM - абсолютное число лимфоцитов (10^9/л), причём при P<0,5 вероятность течения тяжести течения инфекции, вызванной SARS-CoV-2, у лиц молодого возраста оценивают как лёгкую, при P>=0,5 вероятность течения тяжести течения инфекции, вызванной SARS-CoV-2, у лиц молодого возраста оценивают как тяжёлую. Заявляемое изобретение поясняется примерами.I_LYM is the absolute number of lymphocytes (10^9/l), and with P<0.5 the probability of the severity of the infection caused by SARS-CoV-2 in young people is assessed as mild, with P>=0.5 the probability of the course The severity of infection caused by SARS-CoV-2 in young people is assessed as severe. The claimed invention is illustrated by examples.
Пример 1. Пациент 1, мужчина, 21 год. Выписан с диагнозом «Коронавирусная инфекция SARS-2, ПЦР от 29.04.2020 +, инаппарантная форма». Тяжесть течения инфекции определена по формуле:Example 1. Patient 1, male, 21 years old. Discharged with a diagnosis of “Coronavirus infection SARS-2, PCR dated April 29, 2020 +, inapparent form.” The severity of the infection is determined by the formula:
P = 1 / (1 + e^(-1 *(50.1728739051841 + 0.46169963*0.24 + 0.14777366*5.02 + 0.01318599* 4,22 + 0.24233342*2.6 + 0.03585143*6.0 + -0.01893136*145.0 + 0.00270375*147.5 + -0.54041309*99.0 + 0.00384621*171.6 + 0.01437249*54.0 + -0.55765214*1.46))) = 0.03561025P = 1 / (1 + e^(-1 *(50.1728739051841 + 0.46169963*0.24 + 0.14777366*5.02 + 0.01318599* 4.22 + 0.24233342*2.6 + 0.03585143*6.0 + -0.0189 3136*145.0 + 0.00270375*147.5 + -0.54041309* 99.0 + 0.00384621*171.6 + 0.01437249*54.0 + -0.55765214*1.46))) = 0.03561025
P<0,5, следовательно, моделью предсказано лёгкое течение инфекции, вызванной SARS-CoV-2, у пациента. Согласно данным истории болезни, пациент выбыл с улучшением, а тяжесть течения заболевания была оценена как лёгкая. Прогноз соответствует тяжести течения заболевания.P<0.5, therefore, the model predicted a mild course of infection caused by SARS-CoV-2 in the patient. According to the medical history, the patient left with improvement, and the severity of the disease was assessed as mild. The prognosis corresponds to the severity of the disease.
Пример 2. Пациент 2, мужчина, 29 лет. Выписан с диагнозом «Коронавирусная инфекция (РНК SARS-CoV-2 (+) ПЦР от 28.04.2020 г.), тяжелого течения, двусторонняя полисегментарная пневмония, дыхательная недостаточность I степени. Афтозный стоматит». Тяжесть течения инфекции определена по формуле:Example 2. Patient 2, male, 29 years old. Discharged with a diagnosis of “Coronavirus infection (RNA SARS-CoV-2 (+) PCR dated April 28, 2020), severe, bilateral polysegmental pneumonia, respiratory failure of the first degree. Aphthous stomatitis." The severity of the infection is determined by the formula:
P = 1 / (1 + e^(-1 *(50.1728739051841 + 0.46169963*0,09 + 0.14777366*4,9 + 0.01318599* 2,88 + 0.24233342*2,8 + 0.03585143*2 + -0.01893136*154 + 0.00270375*147,5 + -0.54041309*97 + 0.00384621*185,9 + 0.01437249*520 + -0.55765214*1,6))) = 0,98347951P = 1 / (1 + e^(-1 *(50.1728739051841 + 0.46169963*0.09 + 0.14777366*4.9 + 0.01318599* 2.88 + 0.24233342*2.8 + 0.03585143*2 + -0.0189313 6*154 + 0.00270375 *147.5 + -0.54041309*97 + 0.00384621*185.9 + 0.01437249*520 + -0.55765214*1.6))) = 0.98347951
P>=0,5, следовательно, моделью предсказано тяжёлое течение инфекции, вызванной SARS-CoV-2, у пациента. Согласно данным истории болезни, тяжесть течения заболевания была оценена как тяжёлая. Прогноз соответствует тяжести течения заболевания.P>=0.5, therefore, the model predicted a severe course of infection caused by SARS-CoV-2 in the patient. According to the medical history, the severity of the disease was assessed as severe. The prognosis corresponds to the severity of the disease.
Пример 3. Пациент 3, женщина, 22 года. Выписана с диагнозом «Коронавирусная инфекция (SARS-CoV-2+, ПЦР от 03.05.2020 г.) Острое респираторное заболевание по типу ринита, лёгкой степени тяжести». Тяжесть течения инфекции определена по формуле:Example 3. Patient 3, woman, 22 years old. Discharged with a diagnosis of “Coronavirus infection (SARS-CoV-2+, PCR dated 05/03/2020) Acute respiratory disease of the rhinitis type, mild severity.” The severity of the infection is determined by the formula:
P = 1 / (1 + e^(-1 *(50.1728739051841 + 0.46169963*0,09 + 0.14777366*4,21 + 0.01318599* 3,94 + 0.24233342*2,36 + 0.03585143*13 + -0.01893136*131 + 0.00270375*147.5 + -0.54041309*97 + 0.00384621*171,6 + 0.01437249*99 + -0.55765214*2,44))) = 0,13557054P = 1 / (1 + e^(-1 *(50.1728739051841 + 0.46169963*0.09 + 0.14777366*4.21 + 0.01318599* 3.94 + 0.24233342*2.36 + 0.03585143*13 + -0.0189 3136*131 + 0.00270375 *147.5 + -0.54041309*97 + 0.00384621*171.6 + 0.01437249*99 + -0.55765214*2.44))) = 0.13557054
P<0,5, следовательно, моделью предсказано лёгкое течение инфекции, вызванной SARS-CoV-2, у пациента. Согласно данным истории болезни, пациент выбыла с улучшением, а тяжесть течения заболевания была оценена как лёгкая. Прогноз соответствует тяжести течения заболевания.P<0.5, therefore, the model predicted a mild course of infection caused by SARS-CoV-2 in the patient. According to the medical history, the patient dropped out with improvement, and the severity of the disease was assessed as mild. The prognosis corresponds to the severity of the disease.
Список литературы:Bibliography:
1. Holstiege, J. Patients at high risk for a severe clinical course of COVID-19 - small-area data in support of vaccination and other population-based interventions in Germany / J. Holstiege, M.K. Akmatov, C. Kohring [et al.] - DOI:10.1186/s12889-021-11735-3. - Текст: электронный // BMC Public Health. -2021. - Vol. 21(1):1769. - URL: https://pubmed.ncbi.nlm.nih.gov/34583657/ (дата обращения: 13.02.2022).1. Holstiege, J. Patients at high risk for a severe clinical course of COVID-19 - small-area data in support of vaccination and other population-based interventions in Germany / J. Holstiege, M.K. Akmatov, C. Kohring [et al.] - DOI:10.1186/s12889-021-11735-3. - Text: electronic // BMC Public Health. -2021. - Vol. 21(1):1769. - URL: https://pubmed.ncbi.nlm.nih.gov/34583657/ (access date: 02/13/2022).
2. Cecconi, M. Early predictors of clinical deterioration in a cohort of 239 patients hospitalized for Covid-19 infection in Lombardy / M. Cecconi, D. Piovani, E. Brunetta, A. Aghemo [et al.] - DOI: 10.3390/jcm9051548. - Текст: электронный // J Clin Med Res. - 2020. - Volume 9, No 5. - URL: https://www.mdpi.com/2077-0383/9/5/1548 (дата обращения: 07.01.2022).2. Cecconi, M. Early predictors of clinical deterioration in a cohort of 239 patients hospitalized for Covid-19 infection in Lombardy / M. Cecconi, D. Piovani, E. Brunetta, A. Aghemo [et al.] - DOI: 10.3390 /jcm9051548. - Text: electronic // J Clin Med Res. - 2020. - Volume 9, No. 5. - URL: https://www.mdpi.com/2077-0383/9/5/1548 (access date: 01/07/2022).
3. Ibáñez-Samaniego, L. Elevation of 37 fibrosis index FIB-4 is associated with poor clinical outcomes in patients with COVID-19 / L. Ibáñez-Samaniego, F. Bighelli, C. Usón, C. Caravaca [et al.] - DOI: 10.1093/infdis/jiaa355. - Текст: электронный // J Infect Dis. - 2020. - Volume 222, No 5. - P. 726-733. - URL: https://academic.oup.com/jid/article/222/5/726/5860441?login=false (дата обращения: 14.01.2022).3. Ibáñez-Samaniego, L. Elevation of 37 fibrosis index FIB-4 is associated with poor clinical outcomes in patients with COVID-19 / L. Ibáñez-Samaniego, F. Bighelli, C. Usón, C. Caravaca [et al. ] - DOI: 10.1093/infdis/jiaa355. - Text: electronic // J Infect Dis. - 2020. - Volume 222, No. 5. - P. 726-733. - URL: https://academic.oup.com/jid/article/222/5/726/5860441?login=false (access date: 01/14/2022).
4. Imam, Z. Older age and comorbidity are independent mortality predictors in a large cohort of 1305 COVID-19 patients in Michigan, United States / Z. Imam, F. Odish, I. Gill, D. O'Connor [et al.] - DOI: 10.1111/joim.13119. - Текст: электронный // J Intern Med. - 2020. - Volume 288, No 4. - URL: https://onlinelibrary.wiley.com/doi/10.1111/joim.13119 (дата обращения: 11.01.2022).4. Imam, Z. Older age and comorbidity are independent mortality predictors in a large cohort of 1305 COVID-19 patients in Michigan, United States / Z. Imam, F. Odish, I. Gill, D. O'Connor [et al .] - DOI: 10.1111/joim.13119. - Text: electronic // J Intern Med. - 2020. - Volume 288, No. 4. - URL: https://onlinelibrary.wiley.com/doi/10.1111/joim.13119 (access date: 01/11/2022).
5. Tian, J. Clinical characteristics and risk factors associated with COVID-19 disease severity in patients with cancer in Wuhan, China: a multicentre, retrospective, cohort study / J. Tian, X. Yuan, J. Xiao, Q. Zhong [et al.] - DOI: 10.1016/S1470-2045(20)30309-0. - Текст: электронный // Lancet Oncol. - 2020. - Volume 21, No 7. - P. 893-903. - URL: https://www.thelancet.com/journals/lanonc/article/PIIS1470-2045(20)30309-0/fulltext (дата обращения: 16.01.2022).5. Tian, J. Clinical characteristics and risk factors associated with COVID-19 disease severity in patients with cancer in Wuhan, China: a multicentre, retrospective, cohort study / J. Tian, X. Yuan, J. Xiao, Q. Zhong [et al.] - DOI: 10.1016/S1470-2045(20)30309-0. - Text: electronic // Lancet Oncol. - 2020. - Volume 21, No. 7. - P. 893-903. - URL: https://www.thelancet.com/journals/lanonc/article/PIIS1470-2045(20)30309-0/fulltext (access date: 01/16/2022).
6. Wang, J. Cytokine storm and leukocyte changes in mild versus severe SARS-CoV-2 infection: Review of 3939 COVID-19 patients in China and emerging pathogenesis and therapy concepts / J. Wang, M. Jiang, X. Chen, L. J. Montaner - DOI: 10.1002/JLB.3COVR0520-272R. - Текст: электронный // J Leukoc Biol. - 2020. - Volume 108, No 1. - P. 17-41. - URL: https://jlb.onlinelibrary.wiley.com/doi/10.1002/JLB.3COVR0520-272R (дата обращения: 15.02.2021).6. Wang, J. Cytokine storm and leukocyte changes in mild versus severe SARS-CoV-2 infection: Review of 3939 COVID-19 patients in China and emerging pathogenesis and therapeutic concepts / J. Wang, M. Jiang, X. Chen, L. J. Montaner - DOI: 10.1002/JLB.3COVR0520-272R. - Text: electronic // J Leukoc Biol. - 2020. - Volume 108, No. 1. - P. 17-41. - URL: https://jlb.onlinelibrary.wiley.com/doi/10.1002/JLB.3COVR0520-272R (access date: 02/15/2021).
7. Wang, K. Clinical and laboratory predictors of in-hospital mortality in patients with coronavirus disease-2019: a cohort study in Wuhan, China / K. Wang, P. Zuo, Y. Liu, M. Zhang [et al.] - DOI: 10.1093/cid/ciaa538. - Текст: электронный // Clinical Infectious Diseases. - 2020. - Volume 71, No 16. - P. 2079-2088. - URL: https://academic.oup.com/cid/article/71/16/2079/5828281?login=false (дата обращения: 21.03.2022).7. Wang, K. Clinical and laboratory predictors of in-hospital mortality in patients with coronavirus disease-2019: a cohort study in Wuhan, China / K. Wang, P. Zuo, Y. Liu, M. Zhang [et al. ] - DOI: 10.1093/cid/ciaa538. - Text: electronic // Clinical Infectious Diseases. - 2020. - Volume 71, No. 16. - P. 2079-2088. - URL: https://academic.oup.com/cid/article/71/16/2079/5828281?login=false (access date: 03/21/2022).
8. Kiss, S. Early changes in laboratory parameters are predictors of mortality and ICU admission in patients with COVID-19: a systematic review and meta-analysis / S. Kiss, N. Gede, P. Hegyi [et al.] - DOI:10.1007/s00430-020-00696-w. - Текст: электронный // Med Microbiol Immunol. - 2021. - Vol.210(1). - P. 33-47. - URL: https://www.ncbi.nlm.nih.gov/pmc/articles/PMC7679241/ (дата обращения: 13.02.2022).8. Kiss, S. Early changes in laboratory parameters are predictors of mortality and ICU admission in patients with COVID-19: a systematic review and meta-analysis / S. Kiss, N. Gede, P. Hegyi [et al.] - DOI:10.1007/s00430-020-00696-w. - Text: electronic // Med Microbiol Immunol. - 2021. - Vol.210(1). - P. 33-47. - URL: https://www.ncbi.nlm.nih.gov/pmc/articles/PMC7679241/ (access date: 02/13/2022).
9. Rechtman, E. Vital signs assessed in initial clinical encounters predict covid-19 mortality in an NYC hospital system / E. Rechtman, P. Curtin, E. Navarro, S. Nirenberg [et al.] - DOI: 10.1038/s41598-020-78392-1. - Текст: электронный // Sci Rep. - 2020. - Volume 10, No 21545. - P. 1-6. - URL: https://www.nature.com/articles/s41598-020-78392-1 (дата обращения: 28.03.2022).9. Rechtman, E. Vital signs assessed in initial clinical encounters predict covid-19 mortality in an NYC hospital system / E. Rechtman, P. Curtin, E. Navarro, S. Nirenberg [et al.] - DOI: 10.1038/s41598 -020-78392-1. - Text: electronic // Sci Rep. - 2020. - Volume 10, No. 21545. - P. 1-6. - URL: https://www.nature.com/articles/s41598-020-78392-1 (access date: 03/28/2022).
10. Vaid, A. Machine learning to predict mortality and critical events in covid-19 positive New York city patients: a cohort study / A. Vaid, S. Somani, A. J. Russak, J. K. De Freitas [et al.] - DOI: 10.2196/24018. - Текст: электронный // J Med Internet Res. - 2020. - Volume 22, No 11. - URL: https://www.jmir.org/2020/11/e24018 (дата обращения: 19.03.2022).10. Vaid, A. Machine learning to predict mortality and critical events in covid-19 positive New York city patients: a cohort study / A. Vaid, S. Somani, A. J. Russak, J. K. De Freitas [et al.] - DOI: 10.2196/24018. - Text: electronic // J Med Internet Res. - 2020. - Volume 22, No. 11. - URL: https://www.jmir.org/2020/11/e24018 (access date: 03/19/2022).
11. Guan, X. Clinical and inflammatory features based machine learning model for fatal risk prediction of hospitalized covid-19 patients: results from a retrospective cohort study / X. Guan, B. Zhang, M. Fu, M. Li [et al.] - DOI: 10.1080/07853890.2020.1868564. - Текст: электронный // Ann Med. - 2021. - Volume 53, No 1. - P. 257-266. - URL: https://www.tandfonline.com/doi/full/10.1080/07853890.2020.1868564 (дата обращения: 26.03.2022).11. Guan, X. Clinical and inflammatory features based machine learning model for fatal risk prediction of hospitalized covid-19 patients: results from a retrospective cohort study / X. Guan, B. Zhang, M. Fu, M. Li [et al .] - DOI: 10.1080/07853890.2020.1868564. - Text: electronic // Ann Med. - 2021. - Volume 53, No. 1. - P. 257-266. - URL: https://www.tandfonline.com/doi/full/10.1080/07853890.2020.1868564 (access date: 03/26/2022).
12. Yan, L. Prediction of criticality in patients with severe covid-19 infection using three clinical features: a machine learning-based prognostic model with clinical data in Wuhan / L. Yan, H.-T. Zhang, Y. Xiao, M. Wang [et al.] - DOI: 10.1101/2020.02.27.20028027. - Текст: электронный // MedRxiv. - 2020. - URL: https://www.medrxiv.org/content/10.1101/2020.02.27.20028027v3 (дата обращения: 24.03.2022).12. Yan, L. Prediction of criticality in patients with severe covid-19 infection using three clinical features: a machine learning-based prognostic model with clinical data in Wuhan / L. Yan, H.-T. Zhang, Y. Xiao, M. Wang [et al.] - DOI: 10.1101/2020.02.27.20028027. - Text: electronic // MedRxiv. - 2020. - URL: https://www.medrxiv.org/content/10.1101/2020.02.27.20028027v3 (access date: 03/24/2022).
13. Brinati, D. Detection of COVID-19 infection from routine blood exams with machine learning: a feasibility study / D. Brinati, A. Campagner, D. Ferrari, M. Locatelli [et al.] - DOI: 10.1007/s10916-020-01597-4. - Текст: электронный // J Med Syst. - 2020. - Volume 44, No 135. - URL: https://link.springer.com/article/10.1007/s10916-020-01597-4 (дата обращения: 29.03.2022).13. Brinati, D. Detection of COVID-19 infection from routine blood exams with machine learning: a feasibility study / D. Brinati, A. Campagner, D. Ferrari, M. Locatelli [et al.] - DOI: 10.1007/s10916 -020-01597-4. - Text: electronic // J Med Syst. - 2020. - Volume 44, No. 135. - URL: https://link.springer.com/article/10.1007/s10916-020-01597-4 (access date: 03/29/2022).
14. Sun, L. Combination of four clinical indicators predicts the severe/critical symptom of patients infected covid-19 / L. Sun, F. Song, N. Shi, F. Liu [et al.] - DOI: 10.1016/j.jcv.2020.104431. - Текст: электронный // J Clin Virol. - 2020. - Volume 128, No 104431. - URL: https://www.sciencedirect.com/science/article/pii/S1386653220301736?via%3Dihub (дата обращения: 01.04.2022).14. Sun, L. Combination of four clinical indicators predicts the severe/critical symptom of patients infected covid-19 / L. Sun, F. Song, N. Shi, F. Liu [et al.] - DOI: 10.1016/j .jcv.2020.104431. - Text: electronic // J Clin Virol. - 2020. - Volume 128, No. 104431. - URL: https://www.sciencedirect.com/science/article/pii/S1386653220301736?via%3Dihub (access date: 04/01/2022).
15. Zhao, C. Risk factors related to the severity of covid-19 in Wuhan / C. Zhao, Y. Bai, C. Wang, Y. Zhong [et al.] - DOI: 10.7150/ijms.47193. - Текст: электронный // Int J Med Sci. - 2021. - Volume 18, No 1. - P. 120-127. - URL: https://www.medsci.org/v18p0120.htm (дата обращения: 03.04.2022).15. Zhao, C. Risk factors related to the severity of covid-19 in Wuhan / C. Zhao, Y. Bai, C. Wang, Y. Zhong [et al.] - DOI: 10.7150/ijms.47193. - Text: electronic // Int J Med Sci. - 2021. - Volume 18, No. 1. - P. 120-127. - URL: https://www.medsci.org/v18p0120.htm (access date: 04/03/2022).
16. Yao, H. Severity detection for the coronavirus disease 2019 (covid-19) patients using a machine learning model based on the blood and urine tests / H. Yao, N. Zhang, R. Zhang, M. Duan [et al.] - DOI: 10.3389/fcell.2020.00683. - Текст: электронный // Frontiers in cell and developmental biology. - 2020. - Volume 8, No 683. - URL:https://www.frontiersin.org/articles/10.3389/fcell.2020.00683/full (дата обращения: 02.04.2022).16. Yao, H. Severity detection for the coronavirus disease 2019 (covid-19) patients using a machine learning model based on the blood and urine tests / H. Yao, N. Zhang, R. Zhang, M. Duan [et al .] - DOI: 10.3389/fcell.2020.00683. - Text: electronic // Frontiers in cell and developmental biology. - 2020. - Volume 8, No. 683. - URL: https://www.frontiersin.org/articles/10.3389/fcell.2020.00683/full (access date: 04/02/2022).
17. Hu, C. Early prediction of mortality risk among patients with severe COVID-19, using machine learning / C. Hu, Z. Liu, Y. Jiang, O. Shi [et al.] - DOI: 10.1093/ije/dyaa171. - Текст: электронный // Int J Epidemiol. - 2020. - Volume 49, No 6. - P. 1918-1929. - URL: https://academic.oup.com/ije/article/49/6/1918/5913398?login=false (дата обращения: 05.04.2022).17. Hu, C. Early prediction of mortality risk among patients with severe COVID-19, using machine learning / C. Hu, Z. Liu, Y. Jiang, O. Shi [et al.] - DOI: 10.1093/ije/ dyaa171. - Text: electronic // Int J Epidemiol. - 2020. - Volume 49, No. 6. - P. 1918-1929. - URL: https://academic.oup.com/ije/article/49/6/1918/5913398?login=false (access date: 04/05/2022).
18. Joshi, R. P. A predictive tool for identification of SARS-CoV-2 pcr-negative emergency department patients using routine test results / R. P. Joshi, V. Pejaver, N. E. Hammarlund, H. Sung [et al.] - DOI: 10.1016/j.jcv.2020.104502. - Текст: электронный // J Clin Virol. - 2020. - Volume 129, No 104502. - URL: https://www.sciencedirect.com/science/article/pii/S1386653220302444?via%3Dihub (дата обращения: 04.04.2022).18. Joshi, R. P. A predictive tool for identification of SARS-CoV-2 pcr-negative emergency department patients using routine test results / R. P. Joshi, V. Pejaver, N. E. Hammarlund, H. Sung [et al.] - DOI: 10.1016/ j.jcv.2020.104502. - Text: electronic // J Clin Virol. - 2020. - Volume 129, No. 104502. - URL: https://www.sciencedirect.com/science/article/pii/S1386653220302444?via%3Dihub (access date: 04/04/2022).
19. Shoer, S. A prediction model to prioritize individuals for SARS-CoV-2 test built from national symptom surveys / S. Shoer, T. Karady, A. Keshet, S. Shilo [et al.] - DOI: 10.1016/j.medj.2020.10.002. - Текст: электронный // Med. - 2020. - Volume 2, No 2. - P. 196-208. - URL: https://www.cell.com/med/fulltext/S2666-6340(20)30019-2?_returnURL=https%3A%2F%2Flin kinghub.elsevier.com%2Fretrieve%2Fpii%2FS2666634020300192%3Fshowall%3Dtrue (дата обращения: 04.04.2022).19. Shoer, S. A prediction model to prioritize individuals for SARS-CoV-2 test built from national symptom surveys / S. Shoer, T. Karady, A. Keshet, S. Shilo [et al.] - DOI: 10.1016/ j.medj.2020.10.002. - Text: electronic // Med. - 2020. - Volume 2, No. 2. - P. 196-208. - URL: https://www.cell.com/med/fulltext/S2666-6340(20)30019-2?_returnURL=https%3A%2F%2Flin kinghub.elsevier.com%2Fretrieve%2Fpii%2FS2666634020300192%3Fshowall% 3Dtrue (date of access: 04/04/2022).
20. Tordjman, M. Pre-test probability for SARS-CoV-2-related infection score: the Paris score / M. Tordjman, A. Mekki, R. D. Mali, I. Saab [et al.] - DOI: 10.1371/journal.pone.0243342. - Текст: электронный // PLoS One. - 2020. - Volume 15, No 12. - URL: https://journals.plos.org/plosone/article?id=10.1371/journal.pone.0243342 (дата обращения: 07.04.2022).20. Tordjman, M. Pre-test probability for SARS-CoV-2-related infection score: the Paris score / M. Tordjman, A. Mekki, R. D. Mali, I. Saab [et al.] - DOI: 10.1371/journal .pone.0243342. - Text: electronic // PLoS One. - 2020. - Volume 15, No. 12. - URL: https://journals.plos.org/plosone/article?id=10.1371/journal.pone.0243342 (access date: 04/07/2022).
Claims (16)
Publications (1)
| Publication Number | Publication Date |
|---|---|
| RU2821547C1 true RU2821547C1 (en) | 2024-06-25 |
Family
ID=
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| RU2757843C1 (en) * | 2021-01-18 | 2021-10-21 | Федеральное государственное бюджетное образовательное учреждение высшего образования "Смоленский государственный медицинский университет" министерства здравоохранения Российской Федерации | Method for predicting course of pneumonia in patients with confirmed covid-19 |
| RU2779454C1 (en) * | 2022-05-12 | 2022-09-07 | Федеральное государственное бюджетное образовательное учреждение высшего образования "Самарский государственный медицинский университет" Министерства здравоохранения Российской Федерации | Method for prediction of severity of covid-19 |
| PL241992B1 (en) * | 2020-10-23 | 2023-01-02 | Uniwersytet Medyczny w Łodzi | Method of predicting the severity of viral SARS-Cov-2 infection in COVID-19 disease and a diagnostic test |
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| PL241992B1 (en) * | 2020-10-23 | 2023-01-02 | Uniwersytet Medyczny w Łodzi | Method of predicting the severity of viral SARS-Cov-2 infection in COVID-19 disease and a diagnostic test |
| RU2757843C1 (en) * | 2021-01-18 | 2021-10-21 | Федеральное государственное бюджетное образовательное учреждение высшего образования "Смоленский государственный медицинский университет" министерства здравоохранения Российской Федерации | Method for predicting course of pneumonia in patients with confirmed covid-19 |
| RU2779454C1 (en) * | 2022-05-12 | 2022-09-07 | Федеральное государственное бюджетное образовательное учреждение высшего образования "Самарский государственный медицинский университет" Министерства здравоохранения Российской Федерации | Method for prediction of severity of covid-19 |
| RU2795093C1 (en) * | 2022-06-10 | 2023-04-28 | Федеральное государственное бюджетное образовательное учреждение высшего образования "Астраханский государственный медицинский университет" Министерства здравоохранения Российской Федерации (ФГБОУ ВО Астраханский ГМУ Минздрава России) | Method for predicting the severity of pneumonia in covid-19 |
Non-Patent Citations (1)
| Title |
|---|
| ПРИЩЕПЕНКО В.А. и др. Прогнозирование тяжелого течения заболевания у пациентов с вирусными пневмониями, предположительно вызванными COVID-19 // Вестник ВГМУ. 2020. N 3, стр. 69-78. AWOKE M.A. et al. Hematological parameters and their predictive value for assessing disease severity in laboratory-confirmed COVID-19 patients: a retrospective study. American journal of blood research 15 Aug. 2023, vol. 13,4, стр. 117-129. AWALE R.B. et al. Routine hematology parameters in COVID-19: A predictor of disease severity and mortality. Journal of family medicine and primary care, vol. 11,7 (2022): p. 3423-3429. * |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Shapiro et al. | A prospective, multicenter derivation of a biomarker panel to assess risk of organ dysfunction, shock, and death in emergency department patients with suspected sepsis | |
| JP7097370B2 (en) | Systems and methods for using supervised learning to predict subject-specific bloodstream transcriptions | |
| Nakstad et al. | Early detection of neonatal group B streptococcus sepsis and the possible diagnostic utility of IL-6, IL-8, and CD11b in a human umbilical cord blood in vitro model | |
| CN105229470A (en) | Be used for the treatment of the method with diagnostic system lupus erythematosus | |
| Obraztsov et al. | Multiple cytokine profiling: a new model to predict response to tumor necrosis factor antagonists in ulcerative colitis patients | |
| Tang et al. | Selection of an optimal combination panel to better triage COVID-19 hospitalized patients | |
| Low et al. | The predictive and diagnostic accuracy of vascular endothelial growth factor and pentraxin-3 in severe dengue | |
| CN115691807A (en) | Slow-acceleration acute hepatic failure infection risk early warning model and construction method thereof | |
| Valaperti et al. | Variability of cytokine concentration in whole blood serum and bronchoalveolar lavage over time | |
| Li et al. | Study on the correlation and clinical significance of T-lymphocyte Subsets, IL-6 and PCT in the severity of patients with sepsis | |
| Binnington et al. | Stability of 40 cytokines/chemokines in chronically ill patients under different storage conditions | |
| Kurt et al. | Diagnostic accuracy of complete blood cell count and neutrophil-to-lymphocyte, lymphocyte-to-monocyte, and platelet-to-lymphocyte ratios for neonatal infection | |
| WO2016007549A1 (en) | Biomarker signatures for lyme disease and methods of use thereof | |
| RU2821547C1 (en) | METHOD FOR PREDICTION OF SEVERITY OF INFECTION CAUSED BY SARS-CoV-2 IN YOUNG PEOPLE IN INITIAL PERIOD OF DISEASE | |
| WO2018223005A1 (en) | Predictive factors for venous thromboembolism | |
| Yu et al. | Changes of peripheral lymphocyte subset in patients with SARS-CoV-2 infection during the whole course of disease | |
| Lawang et al. | White blood cell, procalcitonin, C-reactive protein and TNF-alpha as prognostic factors in pediatric sepsis | |
| Casini et al. | Use of transcriptomics for diagnosis of infections and sepsis in children: A narrative review | |
| Geng et al. | sTREM-1 as a Predictive Biomarker for Disease Severity and Prognosis in COVID-19 Patients | |
| Mufumba et al. | sTREM-1: a biomarker of mortality in severe malaria impacted by acute kidney injury | |
| Elhag et al. | Clinico-Epidemiological Laboratory Findings of COVID-19 Positive Patients in a Hospital in Saudi Arabia | |
| Jassim et al. | Relationship Between Appendicitis And White Blood Cells (Wbcs), C-Reactive Protein (CRP) | |
| Noor | Associations of COVID-19 diagnosis with levels of selected clinical markers among elderly individuals: a hospital-based, cross-sectional study | |
| Subramanian et al. | Stratification of Pediatric COVID-19 cases by inflammatory biomarker profiling and machine learning | |
| Haque | Journey from Cell count to Metabolomics in the diagnosis of Neonatal Sepsis |