世界各地的醫(yī)療保健系統(tǒng)正在努力容納大量需要專門醫(yī)療護理的危重COVID-19 患者，特別是當他們被確定為高風險時。在重癥監(jiān)護醫(yī)學中，臨床建立的風險評估（例如SOFA 或APACHE II）在預測COVID-19 未來疾病結果方面的可靠性有限。

在這項新研究中，研究人員分析了在德國和奧地利兩個獨立醫(yī)療中心接受治療的50 名重癥COVID-19 患者在349 個時間點收集的血液樣本中321 種蛋白質(zhì)的水平。使用機器學習方法來尋找測量的蛋白質(zhì)與患者生存之間的聯(lián)系。

該隊列中有15 名患者死亡；從入院到死亡的平均時間為28天。對于幸存的患者，中位住院時間為63 天。研究人員發(fā)現(xiàn)，與在重癥監(jiān)護室中存活下來的患者相比，存活患者中的14 種蛋白質(zhì)隨著時間的推移發(fā)生了相反方向的變化。然后，該團隊開發(fā)了一種機器學習模型，根據(jù)相關蛋白質(zhì)的單時間點測量來預測生存率，并在由24 名重癥COVID-19 患者組成的獨立驗證隊列中測試了該模型。該模型在該隊列中表現(xiàn)出很高的預測能力，正確預測了19 名患者中18 名幸存者和5 名死亡的結果（AUROC=1.0，P=0.000047）。

研究人員得出的結論是，如果在更大的隊列中得到驗證，血液蛋白測試可能有助于識別死亡風險最高的患者，并測試某種治療是否會改變個體患者的預測軌跡。