Нові біомаркери розвитку тяжких ускладнень перебігу COVID-19

0 79

Резюме. Технології штучного інтелекту в оцінці динаміки клінічного перебігу COVID-19 з точністю до 80% прогнозують майбутні несприятливі зміни у стані пацієнта на основі оцінки нових параклінічних та клінічних ознак

Підтримка прийняття клінічних рішень і технології штучного інтелекту в умовах COVID-19

Вірус SARS-CoV-2 став причиною пандемії нового коронавірусного захворювання COVID-19. Невпинно зростаюче навантаження на фахівців-клініцистів диктує необхідність термінового розширення діагностичних можливостей з метою ефективного скринінгу пацієнтів з легким перебігом респіраторного синдрому та виявлення тих небагатьох осіб, самопочуття яких потенційно може ускладнитися критичними станами. Вченими Медичної школи та Інституту математичних наук Нью-Йоркського університету (NYU School of Medicine), США, здійснено перший крок до створення структури штучного інтелекту з можливостями прогностичної аналітики, що застосовуються відповідно до реальних даних пацієнтів для забезпечення швидкої підтримки прийняття клінічних рішень. Стаття за матеріалами роботи опублікована у виданні «Computers, Materials & Continua» 30 березня 2020 р.

Дизайн дослідження

Особливості невідкладних медико-соціальних потреб, які сформувалися в умовах пандемії COVID-19, полягають у тому, що пошук та узагальнення діагностичних критеріїв зазначеного захворювання все ще триває, натомість обмеження ресурсів на тлі пандемії, що набирає обертів, ускладнює прийняття рішень щодо раціонального розподілу ресурсів. У пошуках можливостей вирішення зазначених питань дослідники виокремили декілька завдань свого дослідження: алгоритмічно ідентифікувати комбінації клінічних характеристик COVID-19, які дозволять прогнозувати результат перебігу захворювання; розробити інструмент з можливостями штучного інтелекту для прогностичного скринінгу пацієнтів із потенційно критичними наслідками перебігу інфекційного процесу на основі аналізу первинних клінічних даних. З метою прогнозування можливостей розвитку гострого респіраторного дистрес-синдрому як прояву критичного наслідку перебігу COVID-19 в основу навчання прогностичної моделі було покладено дані первинного анамнезу.

Після клінічного впровадження аналітичної технології отримано перші результати на основі даних пацієнтів, які лікувалися у двох лікарнях Веньчжоу провінції Чжецзян (Wenzhou, Zhejiang), Китай. Виокремлено первинні клінічні та параклінічні особливості COVID-19, які стали найбільш прогностичними у подальшому розвитку гострого респіраторного дистрес-синдрому — відносне підвищення печінкової аланінамінотрансферази (44 од., міжквартильний інтервал — 24–66; 24–70), наявність міалгії та відносне підвищення рівня гемоглобіну (13,7 г/дл, міжквартильний інтервал — 12,8–14,4; 11,6–14,7). За висновками дослідників наведено дані у зазначеній послідовності можуть розглядатись як найбільш прогностичні клінічні маркери. Точність аналітичних моделей на основі первинних анамнестичних даних пацієнтів сягала 70–80% у прогнозуванні розвитку тяжкого респіраторного синдрому.

Практичні висновки

Висновки зроблено на основі аналізу даних 53 пацієнтів, що свідчить про певні статистичні обмеження результатів. Тому подальший аналіз та усунення неточностей представленої аналітичної моделі беззаперечно потребують оцінки більш масштабних клінічних даних. Однак проведене дослідження продемонструвало важливість нових ознак, які раніше могли не вважати важливими у прогнозі перебігу захворювання. Автори роботи звернули увагу на важливість удосконалення прогностичних моделей штучного інтелекту, активно використовуючи зворотний зв’язок від клініцистів-практиків та застосовуючи ітеративний підхід, поєднуючи прогнозування з безперервним аналізом отриманих результатів та корекцією попередніх етапів роботи.

Долучайтеся до нас у Viber-спільноті, Telegram-каналі, Instagram, на сторінці Facebook, а також Twitter, щоб першими отримувати найсвіжіші та найактуальніші новини зі світу медицини.

  • Jiang X., Coffee M., Bari A. et al. (2020) Towards an Artificial Intelligence Framework for Data-Driven Prediction of Coronavirus Clinical Severity. CMC-Comput. Mater. Con., 63(1): 537–551. DOI:10.32604/cmc.2020.010691.

Наталія Савельєва-Кулик

Вам так же будет интересно

Оставьте комментарий

Ваш email не будет опубликован

Этот сайт использует Akismet для борьбы со спамом. Узнайте как обрабатываются ваши данные комментариев.