我们使用了墨西哥卫生部流行病学总局收集的数据集，这是一个开源数据集，包括来自COVID-19疑似病例(在全国各地的公立和私立医院)的每日更新数据，其中阳性病例经SARS-CoV-2实验室检测确认[gydF4y2Ba 29gydF4y2Ba］．该数据集是匿名的，开放获取，并由墨西哥政府公布。数据的使用遵循MX自由使用墨西哥政府公开数据的条款[gydF4y2Ba 30.gydF4y2Ba］．截至2020年11月2日，数据集共包含2,414,882例病例，包括阳性和非阳性病例的患者水平人口统计、共病、习惯和预后数据。值得注意的是，官方网站并没有明确提到某些信息的来源(每个公共和私人医疗机构)。我们咨询了不同的卫生专业人员，得出的结论是，更有可能的是，每个实验室确诊的COVID-19患者都填写了一份问卷，在问卷中，患者最初自我报告了他们的共病，只有那些住院的患者接受了一系列测试，以发现或确认最高风险的共病，如糖尿病和高血压。gydF4y2Ba

我们进行了一系列数据质量评估，如检测缺失数据和异常值、日期间不一致、错误数据和不可信数据，我们还使用时间可变性统计方法评估了潜在的时间偏差[gydF4y2Ba 31gydF4y2Ba];没有发现显著的时间变化(第2节)gydF4y2Ba 多媒体附件1gydF4y2Ba)．然而，我们发现95.28%的患者在感染后31天内死亡，这使得我们排除了在收集数据集前31天内出现症状的患者(即2020年9月30日之后出现症状的患者)，因为这些患者未来的生存状态仍然“未知”(《柳叶刀》第3节)gydF4y2Ba 多媒体附件1gydF4y2Ba)．因此，2020年9月30日之后感染的患者被排除在外。gydF4y2Ba

图1gydF4y2Ba在一个类似于consortium的流程图中描述了研究的纳入和排除标准以及数据质量评估过程的结果。最终样本包括778,692例阳性病例。gydF4y2Ba

我们得出了6个与潜在患者的严重程度相关的结果变量。第一个是从死亡记录之日起的患者结局(死亡与否)。第二个是从症状出现到入院的天数。第三，我们将描述症状出现后15天和30天总生存率的2个变量进行了分类。最后，我们对两个变量进行了分类，这两个变量也描述了症状出现后15天和30天的总生存率，但仅适用于死亡患者。gydF4y2Ba

表1gydF4y2Ba显示所研究变量的列表。第4至6节gydF4y2Ba 多媒体附件1gydF4y2Ba描述关于原始数据集的其他信息、COVID-19患者的基线特征以及研究样本中年龄-性别组的描述性统计数据，以及妊娠与预后之间的关联。gydF4y2Ba

我们采用了两阶段子群发现方法(gydF4y2Ba 图2gydF4y2Ba总结了完整的方法论)。在这两个阶段，我们都使用了带有欧几里得平方距离的沃德最小方差方法[gydF4y2Ba 32gydF4y2Ba]以执行由降维算法-主成分分析(PCA)或多重对应分析(MCA)提供的层次聚类[gydF4y2Ba 33gydF4y2Ba，gydF4y2Ba 34gydF4y2Ba该研究将11个变量作为输入变量，包括9种共病——肺炎、糖尿病、慢性阻塞性肺病(COPD)、哮喘、免疫抑制、高血压、慢性肾病(CKD)、心血管疾病和其他疾病——以及2种不健康的习惯，即肥胖和吸烟。为了选择最具代表性的PCA和MCA分量来进行分层聚类，我们考虑了特征值高于平均值的值。已知降维有助于聚类过程，它将信息压缩为数量更少的变量，使无监督学习不容易过拟合[gydF4y2Ba 35gydF4y2Ba]，以及促进进一步的可视化分析，以防止潜在的ML黑箱问题[gydF4y2Ba 36gydF4y2Ba］．gydF4y2Ba

在第一阶段，我们使用了整个数据集778,692名患者——因为无监督ML不需要将数据分割为训练和测试数据[gydF4y2Ba 13gydF4y2Ba，gydF4y2Ba 14gydF4y2Ba］．我们应用个体分层聚类分析，将按性别和年龄(<18岁、18-49岁、50-64岁和>64岁)分层组的共病和习惯提供的MCA评分作为输入，以减少潜在的偏见和混杂因素，因为年龄和性别与共病、习惯和死亡率高度相关。然后，我们应用PCA和局部估计散点图平滑(黄土)模型[gydF4y2Ba 37gydF4y2Ba]，以直观地解释它们的相关性和严重性关系。我们创建了一个群集热图，以帮助了解每个年龄-性别群集的特征。gydF4y2Ba

在第二阶段，在提供更广泛视角的人群描述中，我们再次通过年龄-性别聚类结果获得的PCA得分进行分层聚类，并将其共病和习惯比率作为输入。然后，我们通过表格对合成元簇(MCs)的特征进行了量化，并将这些量化的特征总结为一个定性表格，以帮助解释合成元簇的主要特征。gydF4y2Ba

对于每个子组分析，我们从2到12个聚类进行聚类分析。采用剪影系数[gydF4y2Ba 38gydF4y2Ba——它衡量了聚类中对象的紧密度和分离度，反映了一个对象与其自身聚类相比的相似程度。这是一种定性聚类分析，由这项工作的作者审计，包括来自西班牙和墨西哥的医学、卫生信息学和ML专家。我们首先选择了显示相对较好的剪影系数值的聚类组，然后调整了最合理和临床可区分的临床表型组的数量。这个过程得到了我们在之前工作中开发的管道和探索工具的支持[gydF4y2Ba 39gydF4y2Ba，gydF4y2Ba 40gydF4y2Ba］．gydF4y2Ba

最后，我们进行了源可变性评估[gydF4y2Ba 41gydF4y2Ba]使用热图分析不同数据源之间的严重程度趋势，该趋势基于墨西哥各州和患者接受医疗照顾的几个tci之间的聚类概率分布。gydF4y2Ba

使用RStudio(3.6版)和Python(3.8版)进行数据处理和分析。使用ehrtemporalvariation [gydF4y2Ba 31gydF4y2Ba和EHRsourceVariability [gydF4y2Ba 41gydF4y2Ba-gydF4y2Ba 43gydF4y2Ba)包。支持本研究结果的方法和代码的进一步信息可在的第7节gydF4y2Ba 多媒体附件1gydF4y2Ba．gydF4y2Ba

在对分层聚类结果进行评估后，我们为每个特定年龄-性别组选择以下聚类数量(k): <18-男性:k=5;< 18-Female: k = 4;18-49-Male: k = 7;18-49-Female: k = 7;50 - 64男:k = 9;50 - 64女:k = 8;> 64 -男:k = 8;> 64 -女:k = 8。这导致56个年龄-性别集群。第8条gydF4y2Ba 多媒体附件1gydF4y2Ba提供每个年龄-性别群集的个体数量。第二阶段荟萃聚类分析在56个年龄-性别聚类中发现了11个临床可鉴别的MCs。gydF4y2Ba

图3gydF4y2Ba通过前2个主成分(gydF4y2Ba 图3gydF4y2BaA)。它还提供与指定的管理委员会(gydF4y2Ba 图3gydF4y2BaB)及其黄土圈定对不同严重后果的影响(gydF4y2Ba 图3gydF4y2BaC,gydF4y2Ba 图3gydF4y2BaD,gydF4y2Ba 图3gydF4y2BaE,gydF4y2Ba 图3gydF4y2BaF,gydF4y2Ba 图3gydF4y2BaG,gydF4y2Ba 图3gydF4y2BaH)。gydF4y2Ba

主成分分析揭示了在两性中代表不同年龄的聚类中明显的模式和特征。年轻人容易患哮喘和习惯性吸烟，而老年人则容易患许多合并症，如高血压、糖尿病、肥胖、慢性阻塞性肺病、肺炎和慢性肾病。研究结果还表明，肥胖和习惯性吸烟——两者都是正相关的——与免疫抑制和其他疾病是明显分离的，而免疫抑制和其他疾病都是正相关的。gydF4y2Ba

黄土模型显示，儿童在出现症状和住院之间的天数更短，重症监护病房(ICU)住院、插管和住院的比率高于具有类似条件的成人(gydF4y2Ba 图3gydF4y2BaD,gydF4y2Ba 图3gydF4y2BaE,gydF4y2Ba 图3gydF4y2BaG,gydF4y2Ba 图3gydF4y2BaH).相比之下，MC3(一群患有中度哮喘和吸烟率的年轻肥胖人群)表现相反。gydF4y2Ba

检验PCA和黄土模型之间的关系显示CKD与死亡患者较短的生存时间和插管率的增加显著相关(gydF4y2Ba 图3gydF4y2BaE,gydF4y2Ba 图3gydF4y2BaD).死亡率从儿童到老年人不断增加，但最严重的区域是肺炎、慢性肾病和慢性阻塞性肺病(gydF4y2Ba 图3gydF4y2BaC)，与年龄组别无关。gydF4y2Ba

图4gydF4y2Ba描述和量化了56个年龄-性别群的特征，并将它们与它们的mc联系起来。gydF4y2Ba 图4gydF4y2Ba强化了儿童从症状出现到住院的时间更快，而且尽管与成人有相似的临床情况(例如，组数<18M3 vs 50-64F5)，但仍容易入住ICU。关于性别差异，女性患者表现出更好的恢复率(RR)，尽管其临床症状与男性患者相似(如>64M1与>64F1)。gydF4y2Ba

表2gydF4y2Ba表示11个合成mc的量化特征。gydF4y2Ba 图5gydF4y2Ba总结了11种合成复合材料的主要特点。变量值根据作者在表格图例中定义的临床意义阈值进行分类。接下来，我们描述每个MC的临床可区分的主要流行病学发现。gydF4y2Ba

MC1在每个年龄性别组中包含2个最健康的聚类，RR非常高(90%)。MC1合并肺炎的大多数死亡患者为老年患者(gydF4y2Ba 图4gydF4y2Ba)．MC2包括生活习惯健康、相关疾病发生率低(13%免疫抑制、17%心血管疾病、4% CKD)的儿童和年轻人(平均年龄18岁)，尽管RR非常高(91%)。MC2 ICU入院率最高(9%)，由3个患儿群驱动，ICU住院率在13.41% ~ 18.45%之间。MC3包括显著肥胖和吸烟的青壮年(平均年龄40岁)，以及其他疾病发病率低和非常高的RR(95%)。尽管MC1和MC3的RRs相似，但MC1和MC3的肺炎发病率较低，而MC2的1 / 3患者有肺炎。gydF4y2Ba

MC4包括所有年龄、有健康习惯的个体，但与MC1不同的是，MC4中的大多数患者有高血压(41%)或糖尿病(39%)，但并不是同时患有这两种疾病。MC5包括患有肥胖症(75%)、糖尿病(57%)或高血压(69%)的年轻成年人。尽管存在这种差异，MC4和MC5仍然有相似的高rr，约为80%。从MC4开始，所有MCs都有40% - 50%的肺炎发病率，如病例报告所述，这并不排除一些患者在几天后出现肺炎的可能性。值得注意的是，在MC4 ~ MC11中，超过70%的死亡患者被诊断为肺炎。gydF4y2Ba

MC6和MC8-MC10的RRs相似(64% ~ 67%)。MC6包括不肥胖也不吸烟但有糖尿病、高血压、免疫抑制或其他疾病高流行率的老年人。MC8包括习惯性吸烟的老年人，以及高血压(34%)或慢性阻塞性肺病(44%)，这两种疾病都与吸烟有关。类似地，MC10包括肥胖(50%)或习惯性吸烟(42%)的老年人，他们也患有慢性阻塞性肺病(37%)，但糖尿病(61%)和高血压(78%)的发病率要高得多。MC9包括患有糖尿病(95%)和高血压(96%)的老年人。gydF4y2Ba

MC7和MC11的rr最低(分别为54%和56%)。MC7包括患有常见疾病(糖尿病、高血压和心血管疾病)和CKD的老年人(81%)。CKD作为具有低rr的相似MCs(如MC6或MC9)之间的差异因素而突出。MC11与MC8和MC10相似;主要差异是吸烟(78%，是前者的两倍)和慢性阻塞性肺病(几乎所有患者，91%)的患病率较高，平均年龄大8岁(76岁对68岁)。此外，包括习惯性吸烟的老年肥胖患者(MC8、MC10和MC11)在内的MCs有显著较高的慢性阻塞性肺病和心血管疾病发病率，而与年轻吸烟者(MC3)没有关联。gydF4y2Ba

关于各州的变异性，在每个年龄-性别组中，一半的墨西哥州倾向于较高概率的健康集群，具有较好的rr、较低的住院率、较低的ICU率和较低的插管率(gydF4y2Ba 图6gydF4y2Ba一个;如18F2, 18M1, 18-49F1, 18-49M1, 50-64F1)和MCs (gydF4y2Ba 图6gydF4y2BaB)，而另外一半的人则相反。伊达尔戈、下加利福尼亚和莫雷洛斯代表了最健康的群体，相比之下，瓦哈卡、科阿韦拉·德萨拉戈萨和杜兰戈代表了不太健康的群体。令人惊讶的是，尽管墨西哥城和墨西哥州的主要城市地区人口接近，而且资源和经济发展水平相似，但墨西哥城拥有健康城市群的可能性明显高于墨西哥州。gydF4y2Ba

关于tci的可变性(gydF4y2Ba 图7gydF4y2Ba一个,gydF4y2Ba 图7gydF4y2BaB)、卫生秘书处(SSA)、国家综合家庭发展系统(DIF)、私人机构和红十字会更有可能有更健康、更年轻的患者。这种模式在其他tci中相反地出现，特别是墨西哥石油研究所，对其而言，严重集群的概率通常更高。军队的临床机构(海军秘书处[SEMAR]，国防秘书处[SEDENA])大多是健康的，直觉上男性患者的概率更高。值得注意的是，在墨西哥的3个主要tci中，公共卫生系统(SSA)有更轻微的合并症，在每个年龄性别群体中有相对较高的健康集群概率，主要是MC1(57%)和MC3(16%)，而在2个主要社会保障系统(墨西哥社会保障研究所[IMSS]，国家工作人员社会保障和服务研究所[ISSSTE])，情况恰恰相反。gydF4y2Ba

可靠的亚表型表征反映了确定亚表型的地理和卫生保健环境是至关重要的[gydF4y2Ba 63gydF4y2Ba］．迄今为止，墨西哥各州和tci之间的严重程度差异鲜有报道[gydF4y2Ba 64gydF4y2Ba-gydF4y2Ba 66gydF4y2Ba也没有独立地根据年龄和性别来评估差异性。例如，如果一个状态(如Morelos)包括更多的老年和男性患者，则可能显示更高的严重程度，但当我们比较年龄和性别组时，结果显示在相同年龄范围的年龄和性别组中，更高的严重程度的概率没有差异。gydF4y2Ba

我们发现，跨州和TCI的差异性可能受到许多因素的影响，如人口数量和类型(城市/农村)、社会文化背景、卫生保健政策、医疗机构数量、资源可用性和病毒传播水平。有些州的工业化程度更高，拥有更多的经济资源(如墨西哥城、哈利斯科、墨西哥州)，而其他州(如瓦哈卡、恰帕斯、格雷罗州)。由于墨西哥城和墨西哥州在人口类型和医疗资源的可获得性方面接近和相似，很难解释它们在健康群体分布方面的差异。gydF4y2Ba

对于社会保障机构(IMSS和ISSSTE)和当地公立医院(SSA)之间的严重程度差异，一个可能的解释是，SSA是由当地各州管理的，各州之间的资源经常不同。这种现象可能会影响这些机构的质量和为其人口提供的资源。另一种支持的解释是，当社会保障机构接收重症患者而医疗资源不足时，这些患者可以被转移到IMSS的COVID-19设施。因此，这可能会使IMSS饱和，并耗尽有限的资源，因为患者数量的增加，使资源分配更加困难。这些结果与以往的研究一致，表明IMSS和ISSSTE的普通患者的死亡风险是全国平均水平的两倍，是私人临床机构的3倍[gydF4y2Ba 64gydF4y2Ba］．此外，这种差异性也可能是由COVID-19检测策略的差异所解释的，而不是这些地区基础疾病或人口流行病学的实际差异。gydF4y2Ba

尽管年轻的年龄使患者更易患轻微疾病，但我们认为，解释所有年龄中“高”、“中等”和“低”rr分界线的一个关键因素是将年龄与习惯和共病结合起来使用。此外，病人的年龄和不健康习惯持续时间之间的关系可能有助于建立更有用的预后和相关性。gydF4y2Ba

关于与风险增加相关的共病，我们的研究结果表明，糖尿病和高血压是严重疾病的独立风险，并与较低的rr相关。CKD患者在死亡率和生存期方面可能更脆弱，而且容易出现免疫抑制。慢性阻塞性肺病患者发生严重肺炎和预后不良的风险更有可能增加。gydF4y2Ba

严重程度与患者来源(州或tci)之间的复杂关联意味着重要的社会经济和卫生保健资源水平不平等。因此，我们建议未来的研究应该将状态和TCI与MCs和年龄-性别亚组结合起来考虑(例如，使用拟议的元聚类方法)，从而获得更好的亚表型表征。gydF4y2Ba

作为监测系统的一部分，这些发现可以帮助预测可能出现较差结果的患者，并帮助关于疫苗接种优先次序或资源分配的决策。与主要基于年龄、职业或社会地位(如在西班牙或美国)的某些疫苗接种建议或政策相比，利用额外的患者信息(习惯、共病、来源)和年龄可能很重要。gydF4y2Ba 67gydF4y2Ba，gydF4y2Ba 68gydF4y2Ba］．事实上，在某些情况下，这样的建议或政策可能是不精确的(例如，如前所述，较高的实际年龄不一定与较高的死亡率有关;百岁老人往往有更大的可能性得到好的结果，而有复杂的临床病史的儿童可能比健康的老年人有更糟糕的结果)。gydF4y2Ba

作为可能的限制，我们排除了在31天之前出现症状的患者(即在9月30日之后确诊的患者)，以避免可能对生存结果的分析产生影响，这妨碍了我们使用可能改变流行病学特征的最新数据。此外，分析的数据集是公开和开源的，由墨西哥政府公布，但没有明确说明每个公共和私营卫生机构报告和数据系统捕获的一些信息的来源。病情较重的患者可能获得更完整或更准确的数据，这一事实可能导致差异错误分类，加强了某些病例中严重程度较高的因素的聚类。此外，要求患者有实验室确认的感染可能导致更严重的疾病或已知的共病-或其他严重后果的危险因素-纳入研究;然而，这让我们能够专注于确定这个更严重人群中的亚表型。此外，该数据集不包括出院、再入院或接种疫苗的患者的额外相关信息，也不包括共病和不健康习惯的持续时间。非常需要进一步的以人群为基础的研究数据，在接受院后监测或再入院的出院患者和接种疫苗的人群中进行亚表型表征。gydF4y2Ba

通过提出的两阶段聚类分析对COVID-19亚表型进行分析，仅对年龄和性别进行了区分性描述和解释。结果得到的11个MCs为深入了解COVID-19患者的流行病学和亚表型特征提供了基础，这些特征基于已有的共患病、习惯、人口统计学特征、患者来源和tci，并确定了这些特征与每个患者特异性资料可能的临床结果之间的相关性。这些无偏的亚表型可能有助于建立自动化分层或分诊系统的目标群体，以支持临床医生在进一步检测和实验室结果之前进行早期分诊，特别是在那些无法进行此类检测的地区;在一般人群中优先接种疫苗;并为计划个性化疗法或治疗提供基础。gydF4y2Ba

提出的年龄性别分层和元聚类技术有可能帮助设计一个新的数据驱动的COVID-19患者分层模型。此外，结果阐明了关于亚表型表现和临床结果之间的关联和因果关系的可靠结论。未来的研究可以探索治疗和接种疫苗的影响，为临床分诊和定制治疗提供指导，并结合拟议的2阶段聚类分析开发临床可靠的亚表型分类方法。随着对有效分诊和个性化治疗的关注增加，我们通过提供我们的实验代码，促进了研究的进一步可复制性，并推广到其他国家的数据。gydF4y2Ba