Klinischer Status von COVID-19 im Zusammenhang mit der Schwere des Ergebnisses: Ein unbeaufsichtigter Ansatz des maschinellen Lernens

Seit Beginn der COVID-19-Pandemie haben sich 195 Millionen Menschen infiziert und 4,2 Millionen sind an der Krankheit oder ihren Nebenwirkungen gestorben. Ärzte, Gesundheitswissenschaftler und medizinisches Personal versuchen ständig, mit der Überlastung der Krankenhauseinweisungen umzugehen, während sie gleichzeitig versuchen, sinnvolle Korrelationen zwischen dem Schweregrad infizierter Patienten und ihren Symptomen, Komorbiditäten und Biomarkern zu identifizieren. Künstliche Intelligenz (KI) und maschinelles Lernen (ML) werden in letzter Zeit in vielen Bereichen im Zusammenhang mit der COVID-19-Gesundheitsversorgung eingesetzt. Das Hauptziel besteht darin, die vielfältigen Probleme im Zusammenhang mit COVID-19 und seinen Folgen effektiv zu bewältigen. Die bestehenden Anwendungen von ML in der COVID-19-Gesundheitsversorgung basieren auf einer überwachten Klassifizierung, die einen gekennzeichneten Trainingsdatensatz erfordert, der als Referenzpunkt für das Lernen dient, sowie vordefinierte Klassen. Allerdings ist das vorhandene Wissen über COVID-19 und seine Folgen noch nicht fundiert und die Punkte, über die sich die verschiedenen wissenschaftlichen Gemeinschaften einig sind, sind noch unklar.

Daher zielte diese Studie darauf ab, einen unbeaufsichtigten Clustering-Ansatz zu verfolgen, bei dem keine Vorkenntnisse erforderlich sind (tabula rasa).

Genauer gesagt wurden 268 hospitalisierte Patienten in der Ersten Propädeutischen Abteilung für Innere Medizin des AHEPA-Universitätskrankenhauses von Thessaloniki anhand von 40 klinischen Variablen (numerisch und kategorisch) bewertet, was zu einem hochdimensionalen Datensatz führte. Die Reduzierung der Dimensionalität wurde durch Anwendung der Hauptkomponentenanalyse (PCA) auf den numerischen Teil des Datensatzes und der Mehrfachkorrespondenzanalyse (MCA) auf den kategorialen Teil des Datensatzes durchgeführt. Anschließend wurde das Bayes'sche Informationskriterium (BIC) auf Gaußsche Mischungsmodelle (GMM) angewendet, um die optimale Anzahl von Clustern zu ermitteln, unter denen die beste Gruppierung von Patienten erfolgt.

Die vorgeschlagene Methodik identifizierte vier Gruppen von Patienten mit ähnlichen klinischen Merkmalen. Die Analyse ergab eine Gruppe asymptomatischer Patienten, die mit einer Rate von 23,8 % zum Tod führten.

Dieses bemerkenswerte Ergebnis zwingt uns dazu, den Zusammenhang zwischen der Schwere der klinischen Symptome von COVID-19 und der Sterblichkeit des Patienten zu überdenken.