Sezoninis gripas, respiracinis sincitinis virusas (RSV) ir COVID-19 aktyviai cirkuliuoja visose JAV. Šios kvėpavimo takų ligos kelia didelį susirūpinimą dėl sveikatos, o atvejų pranešama įvairiuose šalies regionuose.
Naudodami dirbtinį intelektą ir mašininį mokymąsi, mokslininkai iš Floridos Atlanto universiteto Christine E. Lynn slaugos koledžo ir inžinerijos ir informatikos koledžo, bendradarbiaudami su „Memorial Healthcare System“, stumia sveikatos priežiūros ribas, kad skatintų naujoves, pagerintų sprendimų priėmimą, ir galiausiai pagerinti asmenų ir gyventojų sveikatos rezultatus.
Siekdami numatyti COVID-19 sunkumą ir geriausias terapines intervencijas pandemijos metu, mokslininkai sukūrė dirbtinio intelekto pagrįstą sprendimų palaikymo sistemą, nustatydami esmines ypatybes, turinčias įtakos pacientų, hospitalizuotų dėl COVID-19 Pietų Floridos ligoninėje, ligos baigčių sunkumui.
Konkrečiai, tyrime pagrindinis dėmesys buvo skiriamas intensyviosios terapijos skyriaus (ICU) priėmimo su mechanine ventiliacija arba be jos ir tarpinės priežiūros skyriaus (IMCU) priėmimo poreikio prognozavimui. Tikslas buvo panaudoti šias funkcijas, kad būtų galima greičiau ir tiksliau prognozuoti gydymo planus, taip užkertant kelią kritinių sąlygų pablogėjimui.
Tyrimo metu mokslininkai išanalizavo elektroninių sveikatos įrašų (eHR) duomenis iš 5 371 paciento, paguldytų į Pietų Floridos ligoninę su COVID-19 nuo 2020 m. kovo iki 2021 m. sausio mėn. Jie apmokė tris Random Forest modelius, kad galėtų numatyti mechaninę ventiliaciją, ICU ir IMCU priėmimą. 24 kintamieji, įskaitant socialinius demografinius rodiklius, gretutines ligas ir vaistus. Analizė buvo sutelkta į duomenis, surinktus patekimo į ligoninę metu.
Tyrimo rezultatai, paskelbti žurnale Diagnostika2024 m. rudens pradžioje, rodo, kad ICU su mechanine ventiliacija, ICU ir IMCU priėmimo modeliai nustatė šiuos veiksnius, kurie sutampa kaip svarbiausi iš trijų baigčių prognozės: amžius, rasė, lytis, kūno masės indeksas (KMI), viduriavimas. diabetas, hipertenzija, ankstyvos inkstų ligos stadijos ir pneumonija.
Tyrėjai taip pat nustatė, kad 65 metų ir vyresni asmenys („vyresni suaugusieji“), vyrai, dabartiniai rūkaliai ir KMI, klasifikuojami kaip „antsvoris“ ir „nutukimas“, turėjo didesnę ligos sunkumo riziką. Tyrime taip pat buvo ištirtas ligos sunkumas kartu su rizikos veiksniais.
„Tai vienas iš nedaugelio tyrimų, kuriuose buvo ištirta tokia rizikos veiksnių sąveika naudojant mašininio mokymosi interpretavimo metodus. Pavyzdžiui, pneumonija kartu su diabetu padidino mechaninės ventiliacijos riziką, o viduriavimas stipriai sąveikavo su diabetu gydant ICU”, – sakė daktaras Debarshi Datta. .D., vyresnysis autorius ir FAU Christine E. Lynn slaugos koledžo docentas.
„IMCU sunkumas buvo susijęs su tokiais deriniais kaip viduriavimas su pneumonija ir hipertenzija vyresnio amžiaus žmonėms. Be to, vaistai, tokie kaip angiotenzino II receptorių blokatoriai ir AKF inhibitoriai, sumažino ligos sunkumą, suderindami su ankstesniais jų apsauginio poveikio tyrimais.”
Pagrindiniai modelių aiškinamumo požymiai buvo iš „sociodemografinių charakteristikų“, „gretutinių ligų prieš ligoninę“ ir „vaistų“ kategorijų. Tačiau „priešligoninės gretutinės ligos“ vaidino esminį vaidmenį skirtingomis kritinėmis sąlygomis. Be individualių savybių svarbos, savybių sąveika taip pat suteikia svarbios informacijos, leidžiančios prognozuoti labiausiai tikėtiną pacientų būklę, kai pandemijos metu reikia skubių gydymo planų.
Palyginti su ankstesniais tyrimais, šis naujas metodas išsiskiria tuo, kad naudoja lengvai prieinamus eHR duomenis ir mašininio mokymosi interpretavimo metodus derina su tradiciniais statistikos metodais. Šis metodas leido geriau suprasti ypatybes, tokias kaip amžius, lytis, KMI ir gretutines ligas, tokias kaip diabetas ir hipertenzija įvairiais sunkumo lygiais.
„Nors biomarkeriai buvo naudojami kituose tyrimuose, dėl riboto jų klinikinio prieinamumo mūsų išvados tampa praktiškesnės realaus pasaulio sveikatos priežiūros reikmėms“, – sakė daktaras Davidas Newmanas, bendraautorius, profesorius ir statistikos specialistas FAU Christine E. Lynn slaugos koledžas.
„Nustatydami kritinius veiksnius ir sąveikas, turinčias įtakos COVID-19 rezultatams, mūsų tyrimas suteikia realių įžvalgų, kaip pagerinti pacientų priežiūrą ir remti sveikatos priežiūros sistemas didelės paklausos sąlygomis.
Svarbu tai, kad dirbtinio intelekto ir (arba) mašininio mokymosi taikymas sveikatos priežiūros srityje apima ne tik COVID-19 ligą, o tai žada pagerinti diagnozę, gydymo pasirinkimą, ligų stebėjimą ir pacientų rezultatus įvairiose medicinos specialybėse ir sveikatos priežiūros įstaigose. Šios žinios įgalina visuomenės sveikatos institucijas aktyviai planuoti ir įgyvendinti tikslines intervencijas, sušvelninant ligų protrūkių poveikį ir optimizuojant sveikatos priežiūros paslaugų teikimą.
„Sukūrus DI pagrįstą sprendimų palaikymo sistemą, skirtą numatyti kritinius klinikinius įvykius COVID-19 stacionariems pacientams, ne tik patenkinami neatidėliotini pandemijos poreikiai, bet ir atveriamas naujas DI bei mašininio mokymosi pagrindas sveikatos priežiūros srityje“, – sakė Datta.
„Naudodami pažangias technologijas ir algoritmus, pvz., mašininį mokymąsi, mokslininkai ir gydytojai gali panaudoti duomenimis pagrįstų įžvalgų galią, kad pakeistų pacientų priežiūrą.”
Tyrimo bendraautoriai yra Subhosit Ray, Ph.D., doktorantas; Laurie Martinez, Ph.D., docentė; Safiya George Dalmida, mokslų daktarė, buvusi dekanė; visi kartu su FAU Christine E. Lynn slaugos koledžu; Javadas Hashemi, Ph.D., Biomedicininės inžinerijos katedros inauguracinis pirmininkas ir profesorius bei tyrimų dekanas, FAU inžinerijos ir kompiuterių mokslų kolegija; Candice Sareli, medicinos mokslų daktarė, „Memorial Healthcare System“ viceprezidentė ir vyriausioji medicinos tyrimų pareigūnė; ir Paul Eckardt, MD, Memorialinės sveikatos priežiūros sistemos Infekcinių ligų memorialinio skyriaus vadovas.