ابداع یک روش یادگیری ماشینی برای شناسایی مبتلایان به کرونا بلندمدت

به گزارش خبرگزاری صدا و سیما ، دانشمندان بالینی از مدل‌های یادگیری ماشینی برای بررسی داده‌های "پرونده الکترونیکی سلامتی" (EHR) استفاده کرده‌اند که یک پایگاه داده بالینی ملی است و با بودجه مؤسسه ملی سلامت آمریکا پشتیبانی می‌شود. هدف دانشمندان، تشخیص دادن ویژگی‌های افراد مبتلا به کووید-۱۹ بلندمدت و عواملی بود که ممکن است به شناسایی چنین بیمارانی با استفاده از داده‌های سوابق پزشکی آنها کمک کند.

یافته‌های این پژوهش می‌تواند به بهبود پژوهش‌های بالینی در مورد کووید-۱۹ بلندمدت و ارائه یک رژیم مراقبت استانداردتر برای این بیماری کمک کند.

"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 نشانه‌های بیماری که به طور مداوم در حال تغییر هستند، یک چالش ثابت‌شده است. ما نیاز داشتیم که درک بهتری از پیچیدگی‌های کووید-۱۹ بلندمدت به دست بیاوریم و برای این کار، منطقی بود که از فناوری‌های جدید تجزیه و تحلیل داده‌ها و یک منبع بی‌نظیر و بزرگ از داده استفاده کنیم که بسیاری از ویژگی‌های کووید-۱۹ بلندمدت در آن نشان داده شده‌اند.

این مجموعه داده شامل اطلاعاتی است که به بیش از ۱۳ میلیون نفر در سراسر آمریکا تعلق دارد. این منبع، امکان پژوهش سریع برای پاسخ دادن به پرسش‌های نوظهور را در مورد واکسن‌ها، روش‌های درمانی، عوامل خطر و پیامدهای کووید-۱۹ فراهم می‌کند.

پژوهشگران، مدل‌های یادگیری ماشینی موسوم به "XGBoost" را ابداع کردند تا ویژگی‌های بیمار را بفهمند و بیمارانی را که احتمال ابتلا به کووید-۱۹ بلندمدت در آنها بیشتر است، بهتر شناسایی کنند.

پژوهشگران با استفاده از این مدل‌ها، میزان استفاده از مراقبت‌های بهداشتی، تشخیص‌ها و داروها را برای ۹۷ هزار و ۹۹۵ بیمار بزرگسال مبتلا به کووید-۱۹ مورد بررسی قرار دادند.

مدل‌های یادگیری ماشینی، در شناسایی بیماران مبتلا به کووید-۱۹، توانایی خود را ثابت کردند. استفاده از این مدل در یک گروه بزرگتر می‌تواند طی آزمایش‌های بالینی، به هدف شناسایی فوری بیماران مبتلا به کووید-۱۹ بلندمدت دست یابد.

همچنین مدل‌ها، بسیاری از ویژگی‌های مهم را نشان دادند که بیماران مبتلا به کووید-۱۹ بلندمدت را از سایر بیماران متمایز می‌کند. آنها 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 گفت: این نتایج، تأثیر قوی داده‌های بالینی در دنیای واقعی و قابلیت‌های بالقوه پایگاه داده را برای کمک به درک بهتر مشکلات مهم سلامت عمومی مانند کووید-۱۹ بلندمدت و یافتن راه‌حل‌هایی برای آنها نشان می‌دهند.

"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 آنها عوامل خطر خاصی داشته‌اند؟ 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 می‌کنند، اطلاعاتی دارد. همچنین، اطلاعات بیشتری را در مورد افرادی شامل می‌شود که زیاد به پزشک مراجعه می‌کنند. بنابراین، ما اطلاعاتی در مورد افرادی که دسترسی خوبی به مراقبت ندارند یا افرادی که به پزشک مراجعه نمی‌کنند، در اختیار نداریم. این یک هشدار برای من در مورد هر پژوهشی است که براساس این پایگاه داده انجام می‌دهم. ما باید تشخیص دهیم که چه کسی در مجموعه داده نیست.

این گروه پژوهشی همچنان به اصلاح مدل‌های خود با استفاده از داده‌های دنیای واقعی ادامه می‌دهند. داده‌های آنها در مورد بیماران مبتلا به کووید-۱۹ می‌تواند پایه و اساس جامعی برای توسعه مدل‌هایی باشد که به شناسایی بیماران مبتلا به کووید-۱۹ بلندمدت کمک می‌کنند.

با توجه به این که پژوهش‌ها به کجا منتهی می‌شوند، ممکن است متوجه شویم که بیمارانی با نشانه‌های متفاوت کووید-۱۹ بلندمدت، آنقدر فرق دارند که به درمان‌های متفاوتی نیاز پیدا کنند. بنابراین، برای ما مهم است که تعیین کنیم آیا کووید-۱۹ طولانی، یک بیماری است یا مجموعه‌ای از بیماری‌ها به کووید-۱۹ حاد منجر می‌شوند.

با این روش جدید، تلاش‌های کارآمد می‌توانند برای درک عمیق‌تر پیچیدگی‌های بلندمدت کووید-۱۹ در دسترس باشند. فراتر از شناسایی گروه‌ها برای بررسی‌های پژوهشی، درک و تأیید رابطه بین کووید-۱۹ بلندمدت و عوامل اجتماعی تعیین‌کننده سلامتی، سایر بیماری‌ها و پیامدهای درمان، الگوریتم را در این مدل‌ها بهبود می‌بخشد.

این پژوهش در مجله "Lancet Digital Health" به چاپ رسید.