Host genetics and clinical settings in COVID-19: predictive models by statistical tools and machine learning algorithms (The FeMiNa study)

Read full text Summarise with VIRAT
Authors: Bianca Antonica
Cited by: 0

Summary

No summary yet. VIRAT can read this paper and write a plain-language summary of its aim, methods, key findings and limitations.

Summarise with VIRAT Free to try with your Science Catalogs account.

Abstract

Il COVID-19 ha avuto un impatto devastante a livello mondiale, stressando i sistemi sanitari. I lavoratori in prima linea hanno dovuto gestire in poco tempo numerosi pazienti senza strumenti per priorizzare quelli ad alto rischio. Età, sesso maschile e alcune specifiche comorbilità sembrano aumentare la gravità e la mortalità del COVID-19. Tuttavia, individui a basso rischio possono comunque evolvere verso una decorso grave, necessitando l’ospedalizzazione. Per questi motivi, fin dall'inizio sono stati compiuti notevoli sforzi per identificare indicatori informativi e fattori di rischio che influenzano la suscettibilità a SARS-CoV-2 e la prognosi del COVID-19. Inoltre, l'andamento imprevedibile della malattia ha evidenziato l'importanza della genetica individuale nel determinare i fenotipi clinici. In questo contesto, modelli analitici come strumenti statistici e approcci di Intelligenza Artificiale (IA) sono stati utilizzati per ottimizzare la gestione dei pazienti. Tramite uno studio retrospettivo multicentrico (Ferrara-Milano-Napoli), abbiamo affinato il miglior modello predittivo per la mortalità da COVID-19 e la durata del ricovero, integrando 20 varianti genetiche e 12 cliniche. Abbiamo eseguito PCA e regressione logistica binaria, e abbiamo addestrato tre modelli di machine learning (ML) (GBM, XGB, RF) su un dataset di 532 pazienti italiani ospedalizzati per COVID-19, reclutati prima della disponibilità dei vaccini. Dal confronto tra i due approcci analitici, emerge che nell'approccio ML i dati genetici risaltano più chiaramente. Quest'ultimo permette una migliore interpretazione dei risultati ottenuti e, data la sua natura più complessa, evidenzia relazioni nascoste tra le variabili. Per la mortalità, tutti i modelli hanno raggiunto valori eccellenti per le metriche di accuratezza, AUROC, f1, f2 e PR-AUC. Sebbene l'ottimizzazione della PR-AUC di GBM abbia prodotto prestazioni superiori (0,473±0,21), abbiamo scelto di analizzare in profondità l'ottimizzazione f1 di GBM, che fornisce meno falsi negativi (Nf1=27 versus NPR-AUC=46), in quanto il nostro obiettivo principale era rispondere a ciò. Abbiamo approfondito l’importanza delle variabili per comprendere quali contribuiscano alle decisioni del modello: tra le top 10, più del 50% era attribuibile all'età, e il resto era quasi equamente diviso tra feature genetiche e cliniche. HLA-DRArs3135363, IL6rs1800795, ACE2rs2285666, CRPrs2808635 hanno complessivamente contato per il 20%, dimostrando che i dati genetici non hanno confuso, ma hanno implementato il modello. In particolare, il genotipo omozigote GG di HLA-DRArs3135363 raggiunge valori significativi sia nella popolazione totale (OR=2,03, CI 95% 1,13-3,64; P-value=0,01) sia nel sottogruppo femminile (♀OR=2,66, CI 95% 1,16-6,10; P-value=0,02), conferendo un rischio doppio di morte. Abbiamo applicato lo stesso workflow per prevedere la durata del ricovero nel nostro dataset tra i sopravvissuti. Utilizzando gli algoritmi GBM e RF, non abbiamo trovato relazioni significative tra variabili dipendenti e indipendenti (R2 = -0,736 e -0,039, rispettivamente), che significa predizione casuale. Gli algoritmi ML hanno creato opportunità straordinarie per sviluppare i migliori modelli per analisi di rischio, riducendo incertezza e ambiguità. In particolare, integrare la genetica in sistemi intelligenti è cruciale per identificare casi ad alto rischio, migliorare la gestione dei pazienti ospedalizzati e prevenire progressioni gravi, abilitando sempre più la P4-medicine. Questo campo di studio è essenziale per applicare efficacemente gli algoritmi ML nella pratica clinica, anche per contrastare future epidemie.

Fields of Study & Subjects

COVID-19 Clinical Research Studies Genetic Associations and Epidemiology SARS-CoV-2 and COVID-19 Research

Publication details

Journal / source
Institutional Research Information System University of Ferrara (University of Ferrara)
Publication date
18 March 2026
Language
EN
Document type
Thesis