众所周知，2019冠状病毒病（COVID-19）给人们造成了不同的影响，也就是说，患者可能表现出类似的症状，但严重程度不同。在发病时，身体的症状并不能完全确定患者的病情是否会稳定，或是否会恶化，这有可能导致发生严重的疾病和器官衰竭，需要大量的医疗援助。另外，虽然生物标志物和分子特征是帮助实现COVID-19进展预后的有力工具，但这需要更全面、更详细的纵向的患者数据集以获得准确的结果。为了填补这一差距，Damichev及其同事通过一个大范围的纵向研究，建立了用于COVID-19预后的生物标志物谱和诊断参数的数据集。基于这个数据集，作者能够预测患者的治疗需求、恢复时间以及轻度患者的临床恶化风险。
在该研究中，作者在不同的时间检测了139名COVID-19患者中的687个取样点的86个诊断标志物，例如血细胞和免疫细胞计数。这项纵向研究是在德国Charité大学医院进行的，包括世界卫生组织（WHO）3级（需要住院治疗但不需要补充氧气治疗）到WHO7级（需要有创机械通气）的患者。作者使用了关联图来研究诊断参数的相互依赖性。结果显示，在不同的WHO等级中，有 113种蛋白质和55种诊断参数发生了变化。在这113种蛋白质中，有30种在早期研究中没有被发现与COVID-19的严重程度相关。另外，这些标志物还与年龄、疾病严重程度和病人接受的治疗相关。
在这个纵向数据集的基础上，作者应用了一种基于梯度提升树的机器学习算法来研究诊断参数如何表征治疗需求。结果发现，蛋白质组和临床诊断参数均能识别出需要有创机械通气的病人，并且当将该模型应用于来自另一个医院的验证数据集时，获得的接受者操作特征曲线下面积（area under the receiver operating characteristic， AUROC）为0.97。结果还显示，初始宿主反应的分子特征可以预测未来的临床恶化，并能预测WHO 3级或以下的轻症患者需要继续住院的时间。这项研究让我们看到了在发病伊始预测潜在的COVID-19结果的可能性，从而可以更好地分配医疗。
