COVID-19 klinisk status forbundet med udfaldets sværhedsgrad: En uovervåget maskinlæringstilgang

Siden begyndelsen af ​​COVID-19-pandemien er 195 millioner mennesker blevet smittet, og 4,2 millioner er døde af sygdommen eller dens bivirkninger. Læger, sundhedsvidenskabsmænd og medicinsk personale forsøger løbende at håndtere overbelastede hospitalsindlæggelser, mens de sideløbende forsøger at identificere meningsfulde sammenhænge mellem sværhedsgraden af ​​inficerede patienter med deres symptomer, komorbiditeter og biomarkører. Kunstig intelligens (AI) og Machine Learning (ML) er blevet brugt for nylig på mange områder relateret til COVID-19 sundhedspleje. Hovedmålet er effektivt at håndtere de mange forskellige problemer relateret til COVID-19 og dets konsekvenser. De eksisterende anvendelser af ML til COVID-19-sundhedspleje er baseret på overvåget klassificering, som kræver et mærket træningsdatasæt, der tjener som referencepunkt for læring, såvel som foruddefinerede klasser. Men den eksisterende viden om COVID-19 og dens konsekvenser er stadig ikke solid, og de fælles punkter mellem forskellige videnskabelige samfund er stadig uklare.

Derfor sigtede denne undersøgelse på at følge en uovervåget klyngetilgang, hvor forudgående viden ikke er påkrævet (tabula rasa).

Mere specifikt blev 268 indlagte patienter på den første propædeutiske afdeling for intern medicin på AHEPA Universitetshospital i Thessaloniki vurderet ud fra 40 kliniske variabler (numeriske og kategoriske), hvilket førte til et datasæt med høj dimensionalitet. Dimensionalitetsreduktion blev udført ved at anvende Principal Component Analysis (PCA) på den numeriske del af datasættet og Multiple Correspondence Analysis (MCA) på den kategoriske del af datasættet. Derefter blev Bayesian Information Criterion (BIC) anvendt på Gaussian Mixture Models (GMM) for at identificere det optimale antal klynger, under hvilke den bedste gruppering af patienter forekommer.

Den foreslåede metode identificerede 4 klynger af patienter med lignende kliniske karakteristika. Analysen afslørede en klynge af asymptomatiske patienter, der resulterede i døden med en frekvens på 23,8 %.

Dette slående resultat tvinger os til at genoverveje forholdet mellem sværhedsgraden af ​​COVID-19 kliniske symptomer og patientens dødelighed.