به گزارش ایسنا به نقل از نیوز وایز، دانشمندان بالینی از مدل های یادگیری ماشینی برای بررسی داده های "پرونده الکترونیکی سلامتی" (EHR) استفاده کرده اند که یک پایگاه داده بالینی ملی است و با بودجه مؤسسه ملی سلامت آمریکا پشتیبانی می شود. هدف دانشمندان، تشخیص دادن ویژگی های افراد مبتلا به کووید- ۱۹ بلندمدت و عواملی بود که امکان دارد به شناسایی چنین بیمارانی با استفاده از داده های سوابق پزشکی آنها کمک کنند.
یافته های این پژوهش میتوانند به بهبود پژوهش های بالینی در مورد کووید- ۱۹ بلندمدت و ارائه یک رژیم مراقبت استانداردتر برای این بیماری کمک کنند.
"امیلی پفاف" (Emily Pfaff)، پژوهشگر "دانشکده پزشکی دانشگاه کارولینای شمالی" (UNC School of Medicine) و پژوهشگر ارشد این پروژه گفت:تشخیص، درمان و مراقبت از بیماران مبتلا به کووید- ۱۹ بلندمدت، به دلیل نشانه های بیماری که به طور مداوم در حال تغییر هستند، یک چالش ثابت شده است. ما نیاز داشتیم که درک بهتری از پیچیدگی های کووید- ۱۹ بلندمدت به دست بیاوریم و برای این کار، منطقی بود که از فناوری های جدید تجزیه و تحلیل داده ها و یک منبع بی نظیر و بزرگ از داده استفاده کنیم که بسياري از ویژگی های کووید- ۱۹ بلندمدت در آن نشان داده شده اند.
این مجموعه داده در حال حاضر شامل اطلاعاتی است که به بیش از ۱۳ میلیون نفر در سراسر آمریکا تعلق دارند. این منبع، امکان پژوهش سریع برای پاسخ دادن به پرسش های نوظهور را در مورد واکسن ها، روش های درمانی، عوامل خطر و پیامدهای کووید- ۱۹ فراهم می کند.
محققان، مدل های یادگیری ماشینی موسوم به "XGBoost" را ابداع کردند تا ویژگی های بیمار را بفهمند و بیمارانی را که احتمال ابتلا به کووید- ۱۹ بلندمدت در آن ها بیشتر است، بهتر شناسایی کنند.
پژوهشگران با استفاده از این مدل ها، میزان استفاده از مراقبت های بهداشتی، تشخیص ها و داروها را برای ۹۷ هزار و ۹۹۵ بیمار بزرگسال مبتلا به کووید- ۱۹ مورد بررسی قرار دادند.
مدل های یادگیری ماشینی، در شناسایی بیماران مبتلا به کووید- ۱۹، توانایی خود را ثابت کردند. استفاده از این مدل در یک گروه بزرگتر میتواند طی آزمایش های بالینی، به هدف شناسایی فوري بیماران مبتلا به کووید- ۱۹ بلندمدت دست یابد.
همچنین مدل ها، بسیاری از ویژگی های مهم را نشان دادند که بیماران مبتلا به کووید- ۱۹ بلندمدت را از سایر بیماران متمایز می کند. آن ها روی بیمارانی با نتیجه مثبت کووید- ۱۹ تمرکز کردند که حداقل ۹۰ روز از عفونت حاد خود فاصله داشتند.
"جونی روتر" (Joni Rutter)، از پژوهشگران این پروژه اظهار‌کرد: این نتایج، تأثیر قوی داده های بالینی در دنیای واقعی و قابلیت های بالقوه پایگاه داده را برای کمک به درک بهتر مشکلات مهم سلامت عمومی مانند کووید- ۱۹ بلندمدت و یافتن راه حل هایی برای آنها نشان می دهند.
"جاش فسل" (Josh Fessel)، از پژوهشگران این پروژه گفت:هنگامی که در پایگاه داده بزرگی از افراد بتوانید تشخیص دهید چه کسانی مبتلا به کووید- ۱۹ بلندمدت هستند، میتوانید سؤالاتی را در مورد آنها بپرسید. آیا نکته متفاوتی در مورد این افراد پیش از ابتلای بلندمدت به کووید- ۱۹ وجود داشته است؟ آیا آن ها عوامل خطر خاصی داشته اند؟ آیا چیزی در مورد نحوه درمان آنها طی کووید- ۱۹ حاد وجود داشته که ممکن است خطر ابتلا به کووید- ۱۹ بلندمدت آنها را افزایش یا کاهش داده باشد؟
"پفاف" گفت: پرونده الکترونیک سلامت فقط در مورد افرادی که به پزشک مراجعه می کنند، اطلاعاتی دارد. همچنین، اطلاعات بیشتری را در مورد افرادی شامل می شود که زیاد به پزشک مراجعه می کنند. بنابراین، ما اطلاعاتی در مورد افرادی که دسترسی خوبی به مراقبت ندارند یا افرادی که به پزشک مراجعه نمی کنند، در اختیار نداریم. این یک هشدار برای من در مورد هر پژوهشی است که براساس این پایگاه داده انجام می دهم. ما باید تشخیص دهیم که چه کسی در مجموعه داده نیست.
این گروه پژوهشی همچنان به اصلاح مدل های خود با استفاده از داده های دنیای واقعی ادامه می دهند. داده های آن ها در مورد بیماران مبتلا به کووید- ۱۹ می تواند پایه و اساس جامعی برای توسعه مدل هایی باشد که به شناسایی بیماران مبتلا به کووید- ۱۹ بلندمدت کمک می کنند.
با توجه به این که پژوهش ها به کجا منتهی میشوند، ممکن است متوجه شویم که بیمارانی با نشانه های متفاوت کووید- ۱۹ بلندمدت، آن قدر فرق دارند که به درمان های متفاوتی نیاز پیدا کنند. بنابراین، برای ما مهم است که تعیین کنیم آیا کووید- ۱۹ طولانی، یک بیماری است یا مجموعه ای از بیماری ها به کووید- ۱۹ حاد منجر می شوند.
با این روش جدید، تلاش های کارآمد میتوانند برای درک عمیق تر پیچیدگی های بلندمدت کووید- ۱۹ دردسترس باشند. فراتر از شناسایی گروه ها برای بررسی های پژوهشی، درک و تائید رابطه بین کووید- ۱۹ بلندمدت و عوامل اجتماعی تعیین کننده سلامتی، سایر بیماری ها و پیامدهای درمان، الگوریتم را در این مدل ها بهبود می بخشد.
این پژوهش در مجله "Lancet Digital Health" به چاپ رسید.
- 11
- 6
