COVID-19: Οι ερευνητές του Rutgers ανέπτυξαν έναν τρόπο για να βοηθήσουν τα νοσοκομεία να εντοπίσουν τις απειλητικές για τη ζωή περιπτώσεις COVID-19 χρησιμοποιώντας λογισμικό μηχανικής μάθησης. Το πρόσφατα αναπτυγμένο εργαλείο χρησιμοποιεί την ηλικία του ασθενούς και τα αποτελέσματα από πέντε εξετάσεις ρουτίνας για να προβλέψει την εξέλιξη της νόσου του κορωνοϊού. Οι δημιουργοί του δήλωσαν ότι πιστεύουν πως αυτό το νέο μοντέλο θα μπορούσε να βελτιώσει σημαντικά τα αποτελέσματα για τους ασθενείς που νοσηλεύονται με τον ιό, ο οποίος παραμένει η τρίτη κύρια αιτία θανάτου στη χώρα. “Οι ακριβείς προβλέψεις είναι εξαιρετικά πολύτιμες”, δήλωσε ο Payal Parikh, αναπληρωτής καθηγητής της Ιατρικής Σχολής Robert Wood Johnson (RWJMS) και συν-συγγραφέας της νέας δημοσίευσης στο περιοδικό mBio.
“Αφήνουν τους ασθενείς να καταλάβουν τι τους περιμένει, ενώ είναι ακόμη αρκετά υγιείς ώστε να κάνουν ενημερωμένες θεραπευτικές επιλογές. Αφήνουν επίσης τα νοσοκομεία να κατανέμουν αποτελεσματικά τους πόρους προβλέποντας τις ανάγκες των ασθενών. Επίσης, με την καλύτερη πρόγνωση, μπορούμε να ξεκινήσουμε τη θεραπεία νωρίς στη διαδικασία της νόσου, γεγονός που οδηγεί σε καλύτερα αποτελέσματα της φροντίδας των ασθενών”. Η ομάδα του Rutgers ξεκίνησε την προσπάθειά της να δημιουργήσει ένα μοντέλο πρόγνωσης της COVID-19 με λογισμικό μηχανικής μάθησης και ιατρικά αρχεία από 969 άτομα που νοσηλεύτηκαν με τον ιό στις αρχές της πανδημίας. “Πήραμε ένα σωρό σημεία δεδομένων από κάθε ασθενή -αποτελέσματα εργαστηρίου, δημογραφικά στοιχεία, ζωτικά σημεία, συννοσηρότητες και δεκάδες άλλα”, δήλωσε ο David Natanov, τεταρτοετής φοιτητής του RWJMS που είναι ο επικεφαλής συγγραφέας της μελέτης. “Τα περάσαμε αυτά μέσα από μια σειρά διαφορετικών μοντέλων μηχανικής μάθησης που συντονίστηκαν σε ελαφρώς διαφορετικές παραμέτρους και δημιουργήσαμε ένα αρχικό μοντέλο 77 μεταβλητών. Αυτό το μοντέλο απέδωσε καλά, αλλά κανείς δεν έχει χρόνο να εισάγει 77 ξεχωριστά σημεία δεδομένων σε οτιδήποτε”. Ο Natanov δήλωσε ότι οι ερευνητές χρησιμοποίησαν διάφορα αναλυτικά εργαλεία για να εντοπίσουν τις 10 πιο προγνωστικές μεταβλητές που σχετίζονται με την ασθένεια. Στη συνέχεια χρησιμοποίησαν τεχνητή νοημοσύνη για να τις εξετάσουν σε διάφορους συνδυασμούς μέχρι να βρουν δύο αποτελεσματικά μοντέλα που αποτελούνται από έξι σημεία δεδομένων (ηλικία και αποτελέσματα από πέντε κοινές εργαστηριακές εξετάσεις) που συλλέγει κάθε νοσοκομείο. Οι ερευνητές ονόμασαν το ακριβέστερο από τα μοντέλα τους PLABAC, ένα ακρωνύμιο του πρώτου γράμματος κάθε συστατικής μεταβλητής: αριθμός αιμοπεταλίων, γαλακτικό οξύ, ηλικία, άζωτο ουρίας αίματος, ασπαρτική αμινοτρανσφεράση και C-αντιδρώσα πρωτεΐνη. Για να βεβαιωθούν ότι το PLABAC προέβλεψε τη θνησιμότητα για όλους τους ασθενείς που νοσηλεύτηκαν με COVID-19 και όχι μόνο για τα 969 άτομα του αρχικού δείγματος, οι ερευνητές το χρησιμοποίησαν -με επιτυχία- για να προβλέψουν τα αποτελέσματα για άλλους 7.901 ασθενείς που νοσηλεύτηκαν στην περίοδο πριν από τον εμβολιασμό και για μια τρίτη ομάδα 1.547 ατόμων από την περίοδο μετά τον εμβολιασμό. Τα ισχυρά αποτελέσματα σε ασθενείς που νοσηλεύτηκαν μετά τον εμβολιασμό δείχνουν ότι το PLABAC μπορεί να προβλέψει την πρόγνωση των ασθενών με παραλλαγές του ιού Sars Cov-2 πέρα από τον αρχικό ιό που μόλυνε την πρώτη ομάδα ασθενών.
Η ομάδα του Rutgers δεν είναι η πρώτη που χρησιμοποιεί παλιά αρχεία ασθενών για να δημιουργήσει ένα μοντέλο εξέλιξης της COVID-19, αλλά τα μέλη της πιστεύουν ότι είναι οι πρώτοι που επικυρώνουν το μοντέλο τους, δοκιμάζοντας με επιτυχία την ικανότητά του να προβλέπει τα αποτελέσματα για μια δεύτερη (και τρίτη) ομάδα ασθενών. Πιστεύουν επίσης ότι το μοντέλο τους έχει άλλο ένα βασικό πλεονέκτημα σε σχέση με άλλα που έχουν δει: την ευκολία χρήσης. Τα περισσότερα νοσοκομεία συλλέγουν ήδη και τα έξι σημεία δεδομένων για τους ασθενείς COVID-19. Η μόνη επιπλέον εργασία είναι η πληκτρολόγηση αυτών των έξι μεταβλητών στον τύπο -και η ομάδα μελέτης ελπίζει να το κάνει ακόμη πιο εύκολο. “Σκοπεύω να απευθυνθώ στο MDCalc, μια εφαρμογή που κάθε κλινικός ιατρός έχει στο τηλέφωνό του για να αναζητά πράγματα και να χρησιμοποιεί χρήσιμους τύπους”, δήλωσε ο Natanov. “Θα ήθελα πολύ να προστεθεί ο τύπος για αυτό, ώστε οι χρήστες να μπορούν να πάρουν μια πρόγνωση απλά πληκτρολογώντας τους έξι αριθμούς”. Ο Natanov δήλωσε ότι θα ήθελε να συνεργαστεί με την Epic, τον μεγαλύτερο κατασκευαστή λογισμικού ηλεκτρονικού φακέλου υγείας, για να προσθέσει αυτό το μοντέλο στον κατάλογο των εργαλείων πρόβλεψης που διαθέτει. “Κανείς δεν θα χρειάζεται να εισάγει τίποτα. Το σύστημα απλώς θα αντλούσε αυτόματα τους αριθμούς από τα εργαστηριακά αποτελέσματα και θα έκανε τον υπολογισμό”, είπε.
Τα ευρήματα δημοσιεύονται στο περιοδικό mBio.
