Naujas tyrimas atskleidžia daug žadantį metodą, naudojant mašininį mokymąsi, siekiant veiksmingiau paskirstyti medicininį gydymą pandemijos metu arba bet kuriuo metu, kai trūksta gydymo priemonių.
Išvados, paskelbtos m JAMA sveikatos forumasnustatė, kad labai sumažėjo numatomų hospitalizacijų atvejų, kai buvo naudojamas mašininis mokymasis, padedantis platinti vaistus, naudojant COVID-19 pandemiją modeliui išbandyti. Įrodyta, kad modelis sumažina hospitalizacijų skaičių maždaug 27%, palyginti su faktine ir stebima priežiūra.
„Pandemijos metu sveikatos priežiūros sistema atsidūrė lūžio taške, o daugelis sveikatos priežiūros įstaigų, nustatydamos, kam buvo suteiktas gydymas, pasitikėjo pirmuoju atėjus, pirmas aptarnavimu arba paciento sveikatos istorija“, – sakė vyresnysis autorius, medicinos mokslų daktaras Aditas Ginde. , Kolorado universiteto Anschutz medicinos universiteto skubios medicinos profesorius.
„Tačiau šiais metodais dažnai neatsižvelgiama į sudėtingas sąveikas, kurios gali atsirasti pacientams, vartojantiems vaistus, siekiant nustatyti numatomą klinikinį veiksmingumą, ir gali būti neatsižvelgiama į pacientus, kuriems gydymas gautų didžiausią naudą. Mes parodome, kad mašininis mokymasis pagal šiuos scenarijus yra būdas naudokite realaus laiko, realaus pasaulio įrodymus, kad informuotumėte visuomenės sveikatos sprendimus”, – priduria Ginde.
Tyrime tyrėjai parodė, kad naudojant mašininį mokymąsi, kuriame nagrinėjama, kaip atskiriems pacientams gydymas skiriasi, gydytojams, sveikatos sistemoms ir visuomenės sveikatos pareigūnams gali būti suteikta tikslesnė informacija realiuoju laiku nei tradiciniai paskirstymo balų modeliai. Mengli Xiao, mokslų daktaras, biostatistikos ir informatikos docentas, sukūrė mAb paskirstymo sistemą, pagrįstą mašininiu mokymusi.
„Esami paskirstymo metodai visų pirma taikomi pacientams, kuriems yra didelė hospitalizavimo be gydymo rizika. Jie gali nepastebėti pacientų, kuriems gydymas yra labiausiai naudingas. Sukūrėme mAb paskirstymo taškų sistemą, pagrįstą gydymo efekto nevienalytiškumo įvertinimais iš mašininio mokymosi. Mūsų paskirstymas teikia pirmenybę pacientams charakteristikos, susijusios su dideliu priežastiniu gydymo poveikiu, siekiant optimizuoti bendrą gydymo naudą, kai ištekliai yra riboti“, – sakė Xiao.
Konkrečiai, tyrėjai ištyrė naujo Politikos mokymosi medžiais (PLT) pagrįsto metodo, skirto COVID-19 neutralizuojančių monokloninių antikūnų (mAb) paskirstymui optimizuoti išteklių ribotumo laikotarpiais, pridėjimo veiksmingumą.
PLT metodas buvo sukurtas siekiant nuspręsti, kokius gydymo būdus skirti asmenims taip, kad būtų maksimaliai padidinta bendra nauda gyventojams (užtikrinant, kad tie, kuriems gresia didžiausia hospitalizavimo rizika, tikrai gautų gydymą, ypač kai gydymas yra menkas). Tai daroma atsižvelgiant į tai, kaip skirtingi veiksniai veikia gydymo veiksmingumą.
Tyrėjai palygino mašininio mokymosi metodą su realaus pasaulio sprendimais ir standartine taškų paskirstymo sistema, naudojama pandemijos metu. Jie nustatė, kad PLT pagrįstas modelis žymiai sumažino numatomų hospitalizacijų skaičių, palyginti su stebėtu paskirstymu. Šis patobulinimas taip pat pranoko monokloninių antikūnų atrankos balą, kuris stebi antikūnus diagnozei nustatyti.
„Naudojant novatorišką metodą, pvz., mašininį mokymąsi, išplečiamos tokios krizės, kaip COVID-19 pandemija, ir parodoma, kad galime priimti suasmenintus visuomenės sveikatos sprendimus net tada, kai ištekliai bet kokiu atveju yra riboti. Tačiau norint tai padaryti, svarbu, kad duomenys būtų patikimi realiuoju laiku. platformos, kaip ir tai, ką sukūrėme šiam projektui, yra įdiegtos siekiant priimti duomenimis pagrįstus sprendimus“, – priduria Ginde, CU Anschutz Kolorado klinikinių ir vertimo mokslų instituto vadovas.
Popierius viduje JAMA sveikatos forumas bus 15-asis leidinys, išleistas iš projekto, pavadinto Monoclonal Antibody (mAB) Colorado. Projekte pagrindinis dėmesys buvo skiriamas tam, kad būtų galima padaryti kuo daugiau naudos daugumai žmonių, naudojant realaus pasaulio įrodymus priimant duomenimis pagrįstus sprendimus COVID-19 pandemijos metu.
Tyrėjai tikisi, kad šis dokumentas paskatins visuomenės sveikatos subjektus, politikos formuotojus ir nelaimių valdymo agentūras išnagrinėti tokius metodus kaip mašininis mokymasis, kurį būtų galima įgyvendinti būsimos visuomenės sveikatos krizės atveju.