根據發表在《自然機器》上的論文，機器學習工具選擇了三種生物標志物，即乳酸脫氫酶，淋巴細胞和高敏感性C反應蛋白水平，這些標志物可以從中國485名武漢感染者的血液樣本中預測COVID-19患者的死亡率。智力。這些工具可以以90%以上的準確率預測單個患者在其結果之前十多天的死亡率。

對患者的COVID-19嚴重程度進行快速，準確和早期的臨床評估至關重要。但是，目前尚無可預測的生物標志物來區分需要立即就醫的患者并評估其相關死亡率。

葉媛，李巖的同事分析了來自中國武漢的485例患者的血液樣本，以鑒定出強有力的有意義的死亡風險標記。在2020年1月10日至2月18日期間從同濟醫院的患者收集的樣本用于模型開發。在分析的375例病例中，有201例從COVID-19中康復并出院，其余174例患者死亡。

作者設計了一種基于機器學習算法的數學建模方法，該算法旨在識別最能預測患者死亡率的生物標志物。該問題被表述為分類任務，其中的輸入內容包括基本信息，癥狀，血液樣本以及實驗室檢查的結果，包括肝功能，腎功能，凝血功能，電解質和炎性因子，取自普通，重癥和重癥患者。該模型選擇了乳酸脫氫酶（LDH），淋巴細胞和高敏感性C反應蛋白水平作為區分處于危險中的患者的最關鍵的生物標志物。該發現與當前醫學知識一致，即僅高LDH水平與各種疾病（包括肺部疾病，如肺炎）中發生的組織分解有關。大多數患者在住院期間都采集了多個血液樣本。但是，該模型僅使用患者最終樣本中的數據。然而，該模型可以應用于所有其他血液樣本，并且可以估計生物標志物的預測潛力。

作者得出的結論是，他們的模型提供了簡單，可解釋和直觀的臨床測試，可以準確，快速地量化死亡風險。他們還暗示淋巴細胞（一種白細胞）可以作為潛在的治療靶點，這得到了臨床研究的支持。他們指出，隨著可用數據的增加，將需要重復此過程以提高準確性。