سیستم هشدار زودهنگام پیش‌بینی می‌کند که چه کسانی به مراقبت‌های ویژه برای COVID-19 نیاز دارند

بر اساس مطالعه‌ای که امروز در مجله منتشر شد، دانشمندان الگوریتمی را توسعه داده‌اند که می‌تواند به متخصصان مراقبت‌های بهداشتی کمک کند تا تشخیص دهند چه کسانی در هنگام بستری شدن در بیمارستان بیشتر در معرض خطر مرگ ناشی از COVID-19 هستند. eLife.

این ابزار که از هوش مصنوعی (AI) استفاده می‌کند، می‌تواند به پزشکان کمک کند تا منابع مراقبت‌های ویژه را به کسانی که بیشتر به آنها نیاز دارند هدایت کنند و به‌ویژه برای کشورهای دارای منابع محدود ارزشمند خواهد بود.

رهبر این پروژه بین‌المللی و نویسنده ارشد دیوید گومز-وارلا، پیشین توضیح می‌دهد: «ظاهر انواع جدید SARS-CoV-2، کاهش محافظت ایمنی و کاهش اقدامات کاهشی به این معنی است که ما احتمالاً همچنان شاهد افزایش عفونت‌ها و بستری شدن در بیمارستان خواهیم بود. رهبر گروه ماکس پلانک و دانشمند ارشد فعلی در بخش فارماکولوژی و سم شناسی، دانشگاه وین، اتریش. “نیاز به ابزارهای تریاژ با ارزش و قابل تعمیم بالینی برای کمک به تخصیص منابع بیمارستانی برای COVID-19، به ویژه در مکان هایی که منابع کمیاب هستند، وجود دارد. اما این ابزارها باید بتوانند با سناریوی همیشه در حال تغییر یک جهانی مقابله کنند. همه گیر است و باید به راحتی اجرا شود.”

برای توسعه چنین ابزاری، این تیم از داده‌های بیوشیمیایی از خون‌گیری‌های معمولی که بر روی نزدیک به 30000 بیمار بستری در بیش از 150 بیمارستان در اسپانیا، ایالات متحده، هندوراس، بولیوی و آرژانتین بین مارس 2020 تا فوریه 2022 انجام شد، استفاده کرد. داده‌های افراد با وضعیت‌های مختلف ایمنی – واکسینه‌شده، واکسینه نشده و کسانی که مصونیت طبیعی دارند – و از افراد آلوده به هر نوع SARS-CoV-2، از ویروسی که در ووهان چین ظاهر شد تا آخرین نوع Omicron. Riku Klén، نویسنده اصلی، دانشیار دانشگاه تورکو فنلاند، می‌گوید: «تغییرات ذاتی در چنین مجموعه داده‌های متنوعی چالش بزرگی برای مدل‌های پیش‌بینی مبتنی بر هوش مصنوعی است.

الگوریتم حاصل که پیش‌بینی‌کننده پیامد بیماری کووید-۱۹ (CODOP) نامیده می‌شود، از اندازه‌گیری ۱۲ مولکول خونی استفاده می‌کند که معمولاً در طول پذیرش جمع‌آوری می‌شوند. این بدان معنی است که ابزار پیش بینی می تواند به راحتی در مراقبت های بالینی هر بیمارستان ادغام شود.

CODOP در یک فرآیند چند مرحله‌ای، در ابتدا با استفاده از داده‌های بیماران بستری در بیش از 120 بیمارستان در اسپانیا، برای “آموزش” سیستم هوش مصنوعی برای پیش‌بینی نشانه‌های پیش‌آگهی ضعیف ایجاد شد.

گام بعدی اطمینان از کارکرد ابزار بدون توجه به وضعیت ایمنی بیماران یا نوع COVID-19 بود، بنابراین آنها الگوریتم را در چندین زیر گروه از بیماران پراکنده جغرافیایی آزمایش کردند. این ابزار هنوز در پیش‌بینی خطر مرگ در بیمارستان در طول این سناریوی نوسانی همه‌گیری خوب عمل می‌کند، و نشان می‌دهد که اندازه‌گیری‌های CODOP بر اساس آنها نشانگرهای زیستی واقعاً معنی‌داری هستند که نشان می‌دهد آیا بیمار مبتلا به COVID-19 احتمالاً وخیم می‌شود یا خیر.

تیم برای آزمایش اینکه آیا زمان انجام آزمایش خون بر عملکرد ابزار تأثیر می‌گذارد یا خیر، داده‌های مربوط به زمان‌های مختلف خون گرفته شده قبل از بهبودی یا مرگ بیماران را مقایسه کرد. آنها دریافتند که این الگوریتم می تواند بقا یا مرگ بیماران بستری در بیمارستان را تا 9 روز قبل از وقوع هر یک از نتایج، با دقت بالا پیش بینی کند.

در نهایت، آنها دو نسخه مختلف از این ابزار را برای استفاده در سناریوهایی که منابع مراقبت های بهداشتی یا به طور عادی کار می کنند یا تحت فشار شدید هستند، ایجاد کردند. تحت فشار عملیاتی معمولی، پزشکان ممکن است استفاده از نسخه “اورتریاژ” را انتخاب کنند، که در انتخاب افرادی که در معرض خطر مرگ هستند بسیار حساس است، به قیمت تشخیص برخی از افرادی که به مراقبت های ویژه نیاز ندارند. مدل جایگزین «زیر تریاژ» احتمال انتخاب اشتباه افراد در معرض خطر کمتر مرگ را به حداقل می‌رساند، و به پزشکان اطمینان بیشتری می‌دهد که در صورت محدود شدن منابع، مراقبت‌ها را به کسانی که در بالاترین خطر هستند هدایت می‌کنند.

گومز وارلا اظهار می کند: «عملکرد CODOP در گروه های بیماران متنوع و پراکنده از نظر جغرافیایی و سهولت استفاده نشان می دهد که می تواند ابزار ارزشمندی در کلینیک، به ویژه در کشورهای با منابع محدود باشد». ما اکنون در حال کار بر روی یک مدل دوگانه پیگیری هستیم که متناسب با سناریوی همه‌گیر فعلی افزایش عفونت‌ها و حفاظت تجمعی ایمنی است که نیاز به بستری شدن در بیمارستان در عرض 24 ساعت برای بیماران تحت مراقبت اولیه و بستری در مراقبت‌های ویژه را در عرض 48 ساعت برای بیماران پیش‌بینی می‌کند. ما امیدواریم که بتوانیم به سیستم‌های مراقبت‌های بهداشتی کمک کنیم تا استانداردهای قبلی مراقبت‌های معمول را قبل از شیوع همه‌گیری بازیابی کنند.»