medsovetМедицинский СоветMeditsinskiy sovet = Medical Council2079-701X2658-5790REMEDIUM GROUP Ltd.10.21518/2079-701X-2020-17-82-90medsovet-5880Research ArticleCOVID-19Прогнозирование длительности стационарного лечения пациентов с COVID-19Predicting the duration of inpatient treatment for COVID-19 patientshttps://orcid.org/0000-0001-5195-9316ЦветковВ. В.TsvetkovV. V.

Цветков Валерий Владимирович, кандидат медицинских наук, старший научный сотрудник

197376, Санкт-Петербург, ул. Профессора Попова, д. 15/17

Valeriy V. Tsvetkov, Cand. of Sci (Med.), Senior Researcher

15/17, Professor Popov St., St Petersburg, 197376

suppcolor@gmail.comhttps://orcid.org/0000-0002-9824-3945ТокинИ. И.TokinI. I.

Токин Иван Иванович, кандидат медицинских наук, ведущий научный сотрудник, заведующий отделом экспериментально-клинических исследований, Федеральное государственное бюджетное учреждение «Научно-исследовательский институт гриппа имени А.А. Смородинцева» Министерства здравоохранения Российской Федерации; доцент кафедры инфекционных болезней, Федеральное государственное бюджетное учреждение высшего образования «Северо-Западный государственный медицинский университет им. И.И. Мечникова» Министерства здравоохранения Российской Федерации

197376, Санкт-Петербург, ул. Профессора Попова, д. 15/17,

191015, Санкт-Петербург, ул. Кирочная, д. 41

Tokin, Cand. of Sci (Med.), Leading Researcher, Head of the Department of Clinical Experimental Research, Federal State Budgetary Institution “Smorodintsev Research Institute of Influenza” of the Ministry of Health of the Russian Federation; Associate Professor of the Department of Infectious Diseases, Federal State Budgetary Institution of Higher Education “North-Western State Medical University named after I.I. Mechnikov” of the Ministry of Health of the Russian Federation

15/17, Professor Popov St., St Petersburg, 197376,

191015, St Petersburg

ivan.tokin@influenza.spb.ruhttps://orcid.org/0000-0003-3643-7354ЛиозновД. А.LioznovD. A.

Лиознов Дмитрий Анатольевич, доктор медицинских наук, исполняющий обязанности директора, Федеральное государственное бюджетное учреждение здравоохранения «Научноисследовательский институт гриппа имени А.А. Смородинцева» Министерства здравоохранения Российской Федерации; заведующий кафедрой инфекционных болезней и эпидемиологии, Федеральное государственное бюджетное образовательное учреждение высшего образования «Первый Санкт-Петербургский государственный медицинский университет имени академика И.П. Павлова» Министерства здравоохранения Российской Федерации

197376, Санкт-Петербург, ул. Профессора Попова, д. 15/17,

197022, Санкт-Петербург, ул. Льва Толстого, д. 6–8

Dmitry A. Lioznov, Dr. of Sci. (Med.), Acting director, Federal State Budgetary Institution “Smorodintsev Research Institute of Influenza” of the Ministry of Health of the Russian Federation;  Head of the Department of Infectious Diseases and Epidemiology, Federal State Budgetary Educational Institution of Higher Education “Pavlov First Saint Petersburg State Medical University” of the Ministry of Healthcare of Russian Federation

15/17, Professor Popov St., St Petersburg, 197376,

6–8, Lev Tolstoy St., St Petersburg, 197022

dlioznov@yandex.ruhttps://orcid.org/0000-0003-2769-4586ВеневЕ. В.VenevE. V.

Венев Евгений Валерьевич, очный аспирант, старший преподаватель, Федеральное государственное бюджетное учреждение «Научноисследовательский институт гриппа имени А.А. Смородинцева» Министерства здравоохранения Российской Федерации; врач-инфекционист, Санкт-Петербургское государственное бюджетное учреждение «Клиническая инфекционная больница им. С.П. Боткина»

197376, Санкт-Петербург, ул. Профессора Попова, д. 15/17,

195067, Санкт-Петербург, Пискарёвский проспект, д. 49

Evgeny V. Venev, Postgraduate Student, Senior Lecturer, Federal State Budgetary Institution “Smorodintsev Research Institute of Influenza” of the Ministry of Health of the Russian Federation; infectious disease doctor, St Petersburg State Budgetary Institution “Clinical Infectious Disease Hospital named after S.P. Botkin”

15/17, Professor Popov St., St Petersburg, 197376,

49, Piskaryovsky Ave., St Petersburg, 195067

evgenyvenev@gmail.comhttps://orcid.org/0000-0002-4544-2967КуликовА. Н.KulikovA. N.

Куликов Александр Николаевич, доктор медицинских наук, профессор, заместитель главного врача клиники по терапии, руководитель отдела клинической физиологии и функциональной диагностики

197022, Санкт-Петербург, ул. Льва Толстого, д. 6–8

Alexandr N. Kulikov, Dr. of Sci. (Med.), Professor, Deputy Chief Physician of the Clinic for Therapy, Head of the Department of Clinical Physiology and Functional Diagnostics

6–8, Lev Tolstoy St., St Petersburg, 197022

ankulikov2005@yandex.ruНаучно-исследовательский институт гриппа им. А.А. СмородинцеваРоссияSmorodintsev Research Institute of InfluenzaRussian FederationНаучно-исследовательский институт гриппа им. А.А. Смородинцева; Северо-Западный государственный медицинский университет им. И.И. МечниковаРоссияSmorodintsev Research Institute of Influenza; North-Western State Medical University named after I.I. MechnikovRussian FederationНаучно-исследовательский институт гриппа им. А.А. Смородинцева; Первый Санкт-Петербургский государственный медицинский университет им. академика И.П. ПавловаРоссияSmorodintsev Research Institute of Influenza; Pavlov First Saint Petersburg State Medical UniversityRussian FederationНаучно-исследовательский институт гриппа им. А.А. Смородинцева; Клиническая инфекционная больница им. С.П. БоткинаРоссияSmorodintsev Research Institute of Influenza; Clinical Infectious Disease Hospital named after S.P. BotkinRussian FederationПервый Санкт-Петербургский государственный медицинский университет им. академика И.П. ПавловаРоссияPavlov First Saint Petersburg State Medical UniversityRussian Federation2020211120200178290Copyright © Цветков В.В., Токин И.И., Лиознов Д.А., Венев Е.В., Куликов А.Н., 20202020Цветков В.В., Токин И.И., Лиознов Д.А., Венев Е.В., Куликов А.Н.Tsvetkov V.V., Tokin I.I., Lioznov D.A., Venev E.V., Kulikov A.N.Данная работа распространяется под лицензией Creative Commons Attribution 4.0.This work is licensed under a Creative Commons Attribution 4.0 License.https://www.med-sovet.pro/jour/article/view/5880Введение

Введение. В условиях высокой нагрузки на все звенья в структуре оказания медицинской помощи больным COVID-19 решение вопроса эффективной медицинской сортировки пациентов представляется чрезвычайно актуальным. Длительность стационарного лечения является одним из наиболее объективных и однозначно интерпретируемых показателей, которые могут быть использованы для косвенной оценки тяжести состояния пациента.

Цель

Цель. Разработать модель машинного обучения для прогнозирования длительности стационарного лечения пациентов с COVID-19 на основании рутинных клинических показателей, оцениваемых на догоспитальном этапе.

Материалы и методы

Материалы и методы. Всего обследовано 564 пациента с диагнозами «U07.1 COVID-19, вирус идентифицирован» (n = 367) и «U07.2 COVID-19, вирус не идентифицирован» (n = 197). В исследование включено 270 пациентов, из них у 50,37% больных длительность стационарного лечения не превышала 7 дней, у 49,63% больных продолжительность стационарного лечения была более 10 дней. В качестве наиболее важных предикторов для прогнозирования длительности стационарного лечения были выбраны 11 клинических параметров: возраст, рост и вес пациента, уровень SpO2, температура тела, индекс массы тела, частота пульса, количество дней от начала болезни, частота дыхательных движений, систолическое и диастолическое артериальное давление.

Результаты

Результаты. Точность разработанной нами модели машинного обучения для прогнозирования длительности стационарного лечения более 10 дней составила 83,75% (95% ДИ: 73,82–91,05%), чувствительность — 82,50%, специфичность — 85,00%, AUC = 0,86.

Заключение

Заключение. Разработанный нами метод на базе машинного обучения характеризуется высокой точностью прогнозирования длительности стационарного лечения больных COVID-19, что позволяет рассматривать его как новый перспективный инструмент для поддержки принятия врачебных решений о дальнейшей тактике ведения пациента и решения вопроса о необходимости госпитализации.

Introduction

Introduction. In the context of a high load on all links in the structure of providing medical care to patients with COVID-19, solving the issue of effective triage of patients seems to be extremely urgent. The duration of inpatient treatment is one of the most objective and unambiguously interpreted indicators that can be used to indirectly assess the severity of the patient’s condition.

Objective

Objective. Develop a machine learning model to predict the duration of inpatient care for patients with COVID-19 based on routine clinical indicators assessed at the prehospital stage.

Materials and methods

Materials and methods. A total of 564 patients were examined with diagnoses: U07.1 COVID-19, virus identified (n = 367) and U07.2 COVID-19, virus not identified (n = 197). The study included 270 patients, of whom in 50.37% of patients the duration of inpatient treatment did not exceed 7 days, in 49.63% of patients the duration of inpatient treatment was more than 10 days. Eleven clinical parameters were chosen as the most important predictors for predicting the duration of inpatient treatment: age, height and weight of the patient, SpO2 level, body temperature, body mass index, pulse rate, number of days from the onset of illness, respiratory rate, systolic and diastolic arterial pressure.

Results

Results. The accuracy of our machine learning model for predicting the duration of inpatient treatment more than 10 days was 83.75% (95% CI: 73.82–91.05%), sensitivity — 82.50%, specificity — 85.00%. AUC = 0.86.

Conclusion

Conclusion. The method developed by us based on machine learning is characterized by high accuracy in predicting the duration of inpatient treatment of patients with COVID-19, which makes it possible to consider it as a promising new tool to support medical decisions on further tactics of patient management and to resolve the issue of the need for hospitalization.

COVID-19клинические показателипрогнозированиедлительность лечениямашинное обучениеCOVID-19clinical scorespredictionduration of treatmentmachine learningReferencesАвдеев С.Н., Адамян Л.В., Алексеева Е.И., Багненко С.Ф., Баранов А.А., Баранова Н.Н. и др. Профилактика, диагностика и лечение новой коронавирусной инфекции (COVID-19). Временные методические рекомендации. Версия 8 (03.09.2020). М.: Министерство здравоохранения Российской Федерации; 2020. 218 с. Режим доступа: http://mzdnr.ru/en/system/files/2_5370990447713847164.pdf.Avdeev S.N., Adamyan L.V., Alekseeva E.I., Bagnenko S.F., Baranov A.A., Baranova N.N. et al. Prevention, diagnosis and treatment of new coronavirus infection (COVID-19). Temporary guidelines. Version 8 (03.09.2020). Mosсow: Ministry of Health of the Russian Federation; 2020. 218 p. (In Russ.) Available at: http://mzdnr.ru/en/system/files/2_5370990447713847164.pdf.Wu Z., McGoogan J.M. Characteristics of and important lessons from the coronavirus disease 2019 (COVID-19) outbreak in China: summary of a report of 72 314 cases from the Chinese Center for Disease Control and Prevention. JAMA. 2020;323(13):1239–1242. doi: 10.1001/jama.2020.2648.Wu Z., McGoogan J.M. Characteristics of and important lessons from the coronavirus disease 2019 (COVID-19) outbreak in China: summary of a report of 72 314 cases from the Chinese Center for Disease Control and Prevention. JAMA. 2020;323(13):1239–1242. doi: 10.1001/jama.2020.2648.Guan W.J., Ni Z.Y., Hu Y., Liang W.H., Ou C.Q., He J.X. et al. Clinical characteristics of coronavirus disease 2019 in China. N Engl J Med. 2020;382(18):1708–1720. doi: 10.1056/NEJMoa2002032.Guan W.J., Ni Z.Y., Hu Y., Liang W.H., Ou C.Q., He J.X. et al. Clinical characteristics of coronavirus disease 2019 in China. N Engl J Med. 2020;382(18):1708–1720. doi: 10.1056/NEJMoa2002032.Li L.Q., Huang T., Wang Y.Q., Wang Z.P., Liang Y., Huang T.B. et al. COVID-19 patients’ clinical characteristics, discharge rate, and fatality rate of metaanalysis. J Med Virol. 2020;92(6):577–583. doi: 10.1002/jmv.25757.Li L.Q., Huang T., Wang Y.Q., Wang Z.P., Liang Y., Huang T.B. et al. COVID-19 patients’ clinical characteristics, discharge rate, and fatality rate of metaanalysis. J Med Virol. 2020;92(6):577–583. doi: 10.1002/jmv.25757.Huang C., Wang Y., Li X., Ren L., Zhao J., Hu Y. et al. Clinical features of patients infected with 2019 novel coronavirus in Wuhan, China. Lancet. 2020;395(10223):497–506. doi: 10.1016/S0140-6736(20)30183-5.Huang C., Wang Y., Li X., Ren L., Zhao J., Hu Y. et al. Clinical features of patients infected with 2019 novel coronavirus in Wuhan, China. Lancet. 2020;395(10223):497–506. doi: 10.1016/S0140-6736(20)30183-5.Pan L., Mu M., Yang P., Sun Y., Wang R., Yan J. et al. Clinical characteristics of COVID-19 patients with digestive symptoms in Hubei, China: a descriptive, cross-sectional, multicenter study. Am J Gastroenterol. 2020;115(5):766–773. doi: 10.14309/ajg.0000000000000620.Pan L., Mu M., Yang P., Sun Y., Wang R., Yan J. et al. Clinical characteristics of COVID-19 patients with digestive symptoms in Hubei, China: a descriptive, cross-sectional, multicenter study. Am J Gastroenterol. 2020;115(5):766–773. doi: 10.14309/ajg.0000000000000620.Del Rio C., Malani P.N. 2019 novel coronavirus – important information for clinicians. JAMA. 2020;323(11):1039–1040. doi: 10.1001/jama.2020.1490.Del Rio C., Malani P.N. 2019 novel coronavirus – important information for clinicians. JAMA. 2020;323(11):1039–1040. doi: 10.1001/jama.2020.1490.Tenforde M.W., Kim S.S., Lindsell C.J., Billig Rose E., Shapiro N.I., Files D.C. et al. Symptom duration and risk factors for delayed return to usual health among outpatients with COVID-19 in a multistate health care systems network – United States. MMWR Morb Mortal Wkly Rep. 2020;69(30):993–998. doi: 10.15585/mmwr.mm6930e1.Tenforde M.W., Kim S.S., Lindsell C.J., Billig Rose E., Shapiro N.I., Files D.C. et al. Symptom duration and risk factors for delayed return to usual health among outpatients with COVID-19 in a multistate health care systems network – United States. MMWR Morb Mortal Wkly Rep. 2020;69(30):993–998. doi: 10.15585/mmwr.mm6930e1.Liang X., Shi L., Wang Y., Xiao W., Duan G., Yang H. et al. The association of hypertension with the severity and mortality of COVID-19 patients: Evidence based on adjusted effect estimates. J Infect. 2020;81(3):e44–e47. doi: 10.1016/j.jinf.2020.06.060.Liang X., Shi L., Wang Y., Xiao W., Duan G., Yang H. et al. The association of hypertension with the severity and mortality of COVID-19 patients: Evidence based on adjusted effect estimates. J Infect. 2020;81(3):e44–e47. doi: 10.1016/j.jinf.2020.06.060.Ou M., Zhu J., Ji P., Li H., Zhong Z., Li B. et al. Risk factors of severe cases with COVID-19: a meta-analysis. Epidemiol Infect. 2020;148:e175. Available at: https://pubmed.ncbi.nlm.nih.gov/32782035/.Ou M., Zhu J., Ji P., Li H., Zhong Z., Li B. et al. Risk factors of severe cases with COVID-19: a meta-analysis. Epidemiol Infect. 2020;148:e175. Available at: https://pubmed.ncbi.nlm.nih.gov/32782035/.Rastad H., Ejtahed H.S., Mahdavi-Ghorabi A., Arzaghi M., Safari A., Shahrestanaki E. et al. Factors associated with the poor outcomes in diabetic patients with COVID-19. J Diabetes Metab Disord. 2020;1–10. doi: 10.1007/s40200-020-00646-6.Rastad H., Ejtahed H.S., Mahdavi-Ghorabi A., Arzaghi M., Safari A., Shahrestanaki E. et al. Factors associated with the poor outcomes in diabetic patients with COVID-19. J Diabetes Metab Disord. 2020;1–10. doi: 10.1007/s40200-020-00646-6.Hussain A., Mahawar K., Xia Z., Yang W., Shamsi E.H. Obesity and mortality of COVID-19. Meta-analysis. Obes Res Clin Pract. 2020;14(4):295–300. doi: 10.1016/j.orcp.2020.07.002.Hussain A., Mahawar K., Xia Z., Yang W., Shamsi E.H. Obesity and mortality of COVID-19. Meta-analysis. Obes Res Clin Pract. 2020;14(4):295–300. doi: 10.1016/j.orcp.2020.07.002.CDC COVID-19 Response Team. Severe Outcomes Among Patients with Coronavirus Disease 2019 (COVID-19) – United States, February 12-March 16, 2020. MMWR Morb Mortal Wkly Rep. 2020;69(12):343–346. doi: 10.15585/mmwr.mm6912e2.CDC COVID-19 Response Team. Severe Outcomes Among Patients with Coronavirus Disease 2019 (COVID-19) – United States, February 12-March 16, 2020. MMWR Morb Mortal Wkly Rep. 2020;69(12):343–346. doi: 10.15585/mmwr.mm6912e2.Zheng Z., Peng F., Xu B., Zhao J., Liu H., Peng J. et al. Risk factors of critical & mortal COVID-19 cases: A systematic literature review and meta-analysis. J Infect. 2020;81(2):e16–e25. doi: 10.1016/j.jinf.2020.04.021.Zheng Z., Peng F., Xu B., Zhao J., Liu H., Peng J. et al. Risk factors of critical & mortal COVID-19 cases: A systematic literature review and meta-analysis. J Infect. 2020;81(2):e16–e25. doi: 10.1016/j.jinf.2020.04.021.Pan F., Yang L., Li Y., Liang B., Li L., Ye T. et al. Factors associated with death outcome in patients with severe coronavirus disease-19 (COVID-19): a casecontrol study. Int J Med Sci. 2020;17(9):1281–1292. doi: 10.7150/ijms.46614.Pan F., Yang L., Li Y., Liang B., Li L., Ye T. et al. Factors associated with death outcome in patients with severe coronavirus disease-19 (COVID-19): a casecontrol study. Int J Med Sci. 2020;17(9):1281–1292. doi: 10.7150/ijms.46614.Wang B., Li R., Lu Z., Huang Y. Does comorbidity increase the risk of patients with COVID-19: evidence from meta-analysis. Aging (Albany NY). 2020;12(7):6049–6057. doi: 10.18632/aging.103000.Wang B., Li R., Lu Z., Huang Y. Does comorbidity increase the risk of patients with COVID-19: evidence from meta-analysis. Aging (Albany NY). 2020;12(7):6049–6057. doi: 10.18632/aging.103000.Wu C., Chen X., Cai Y., Zhou X., Xu S., Huang H. et al. Risk factors associated with acute respiratory distress syndrome and death in patients with coronavirus disease 2019 pneumonia in Wuhan, China. JAMA Intern Med. 2020;180(7):934–943. doi: 10.1001/jamainternmed.2020.0994.Wu C., Chen X., Cai Y., Zhou X., Xu S., Huang H. et al. Risk factors associated with acute respiratory distress syndrome and death in patients with coronavirus disease 2019 pneumonia in Wuhan, China. JAMA Intern Med. 2020;180(7):934–943. doi: 10.1001/jamainternmed.2020.0994.Wang D., Hu B., Hu C., Zhu F., Liu X., Zhang J. et al. Clinical characteristics of 138 hospitalized patients with 2019 novel coronavirus–infected pneumonia in Wuhan, China. JAMA. 2020;323(11):1061–1069. doi: 10.1001/jama.2020.1585.Wang D., Hu B., Hu C., Zhu F., Liu X., Zhang J. et al. Clinical characteristics of 138 hospitalized patients with 2019 novel coronavirus–infected pneumonia in Wuhan, China. JAMA. 2020;323(11):1061–1069. doi: 10.1001/jama.2020.1585.Assaf D., Gutman Y., Neuman Y., Segal G., Amit S., Gefen-Halevi S. et al. Utilization of machine learning models to accurately predict the risk for critical COVID-19. Intern Emerg Med. 2020;15(8):1435–1443. doi: 10.1007/s11739-020-02475-0.Assaf D., Gutman Y., Neuman Y., Segal G., Amit S., Gefen-Halevi S. et al. Utilization of machine learning models to accurately predict the risk for critical COVID-19. Intern Emerg Med. 2020;15(8):1435–1443. doi: 10.1007/s11739-020-02475-0.Jiang X., Coffee M., Bari A., Wang J., Jiang X., Huang J. et al. Towards an artificial intelligence framework for data-driven prediction of coronavirus clinical severity. CMC: Computers, Materials & Continua. 2020;63(1):537–551. doi: 10.32604/cmc.2020.010691.Jiang X., Coffee M., Bari A., Wang J., Jiang X., Huang J. et al. Towards an artificial intelligence framework for data-driven prediction of coronavirus clinical severity. CMC: Computers, Materials & Continua. 2020;63(1):537–551. doi: 10.32604/cmc.2020.010691.Menni C., Valdes A.M., Freidin M.B., Sudre C.H., Nguyen L.H., Drew D.A. et al. Realtime tracking of self-reported symptoms to predict potential COVID-19. Nat Med. 2020;26(7):1037–1040. doi: 10.1038/s41591-020-0916-2.Menni C., Valdes A.M., Freidin M.B., Sudre C.H., Nguyen L.H., Drew D.A. et al. Realtime tracking of self-reported symptoms to predict potential COVID-19. Nat Med. 2020;26(7):1037–1040. doi: 10.1038/s41591-020-0916-2.Brinati D., Campagner A., Ferrari D., Locatelli M., Banfi G., Cabitza F. Detection of COVID-19 Infection from Routine Blood Exams with Machine Learning: a Feasibility Study. J Med Syst. 2020;44(8):135. doi: 10.1007/s10916-020-01597-4.Brinati D., Campagner A., Ferrari D., Locatelli M., Banfi G., Cabitza F. Detection of COVID-19 Infection from Routine Blood Exams with Machine Learning: a Feasibility Study. J Med Syst. 2020;44(8):135. doi: 10.1007/s10916-020-01597-4.Gao Y., Li T., Han M., Li X., Wu D., Xu Y. et al. Diagnostic utility of clinical laboratory data determinations for patients with the severe COVID-19. J Med Virol. 2020;92(7):791–796. doi: 10.1002/jmv.25770.Gao Y., Li T., Han M., Li X., Wu D., Xu Y. et al. Diagnostic utility of clinical laboratory data determinations for patients with the severe COVID-19. J Med Virol. 2020;92(7):791–796. doi: 10.1002/jmv.25770.Razavian N., Major V.J., Sudarshan M., Burk-Rafel J., Stella P., Randhawa H. et al. A validated, real time prediction model for favorable outcomes in hospitalized COVID-19 patients. NPJ Digit Med. 2020;3:130. doi: 10.1038/s41746-020-00343-x.Razavian N., Major V.J., Sudarshan M., Burk-Rafel J., Stella P., Randhawa H. et al. A validated, real time prediction model for favorable outcomes in hospitalized COVID-19 patients. NPJ Digit Med. 2020;3:130. doi: 10.1038/s41746-020-00343-x.Burdick H., Lam C., Mataraso S., Siefkas A., Braden G., Dellinger R.P. et al. Prediction of respiratory decompensation in Covid-19 patients using machine learning: The READY trial. Comput Biol Med. 2020;124:103949. doi: 10.1016/j.compbiomed.2020.103949.Burdick H., Lam C., Mataraso S., Siefkas A., Braden G., Dellinger R.P. et al. Prediction of respiratory decompensation in Covid-19 patients using machine learning: The READY trial. Comput Biol Med. 2020;124:103949. doi: 10.1016/j.compbiomed.2020.103949.Hu H., Yao N., and Qiu Y. Comparing Rapid Scoring Systems in Mortality Prediction of Critically Ill Patients With Novel Coronavirus Disease. Acad Emerg Med. 2020;27(6):461–468. doi: 10.1111/acem.13992.Hu H., Yao N., and Qiu Y. Comparing Rapid Scoring Systems in Mortality Prediction of Critically Ill Patients With Novel Coronavirus Disease. Acad Emerg Med. 2020;27(6):461–468. doi: 10.1111/acem.13992.Al-Najjar H., Al-Rousan N. A classifier prediction model to predict the status of Coronavirus CoVID-19 patients in South Korea. Eur Rev Med Pharmacol Sci. 2020;24(6):3400–3403. doi: 10.26355/eurrev_202003_20709.Al-Najjar H., Al-Rousan N. A classifier prediction model to predict the status of Coronavirus CoVID-19 patients in South Korea. Eur Rev Med Pharmacol Sci. 2020;24(6):3400–3403. doi: 10.26355/eurrev_202003_20709.Das A.K., Mishra S., Saraswathy Gopalan S. Predicting CoVID-19 community mortality risk using ma chine learning and development of an online prognostic tool. Peer J. 2020;8:e10083. doi: 10.7717/peerj.10083.Das A.K., Mishra S., Saraswathy Gopalan S. Predicting CoVID-19 community mortality risk using ma chine learning and development of an online prognostic tool. Peer J. 2020;8:e10083. doi: 10.7717/peerj.10083.Yan L., Zhang H.T., Goncalves J., Xiao Y., Wang M., Guo Y. et al. An interpretable mortality prediction model for COVID-19 patients. Nat Mach Intell. 2020;2:283–288. doi: 10.1038/s42256-020-0180-7.Yan L., Zhang H.T., Goncalves J., Xiao Y., Wang M., Guo Y. et al. An interpretable mortality prediction model for COVID-19 patients. Nat Mach Intell. 2020;2:283–288. doi: 10.1038/s42256-020-0180-7.Wynants L., Van Calster B., Bonten M.M., Collins G.S., Debray T.P., De Vos M. et al. Prediction mod els for diagnosis and prognosis of covid-19 infection: systematic review and critical appraisal. BMJ. 2020;369:m1328. doi: 10.1136/bmj.m1328.Wynants L., Van Calster B., Bonten M.M., Collins G.S., Debray T.P., De Vos M. et al. Prediction mod els for diagnosis and prognosis of covid-19 infection: systematic review and critical appraisal. BMJ. 2020;369:m1328. doi: 10.1136/bmj.m1328.

The authors declare that there are no conflicts of interest present.