Stato clinico COVID-19 associato alla gravità dell'esito: un approccio di machine learning senza supervisione

Dall'inizio della pandemia di COVID-19, 195 milioni di persone sono state infettate e 4,2 milioni sono morte a causa della malattia o dei suoi effetti collaterali. Medici, scienziati sanitari e personale medico cercano continuamente di affrontare i ricoveri ospedalieri sovraccarichi, mentre parallelamente cercano di identificare correlazioni significative tra la gravità dei pazienti infetti con i loro sintomi, comorbidità e biomarcatori. L'intelligenza artificiale (AI) e l'apprendimento automatico (ML) sono stati utilizzati di recente in molte aree correlate all'assistenza sanitaria COVID-19. L'obiettivo principale è gestire in modo efficace l'ampia varietà di problemi legati al COVID-19 e alle sue conseguenze. Le applicazioni esistenti del ML all'assistenza sanitaria COVID-19 si basano su una classificazione supervisionata che richiede un set di dati di formazione etichettato, che funge da punto di riferimento per l'apprendimento, nonché classi predefinite. Tuttavia, le conoscenze esistenti su COVID-19 e le sue conseguenze non sono ancora solide e non sono ancora chiari i punti di comune accordo tra le diverse comunità scientifiche.

Pertanto, questo studio mirava a seguire un approccio di clustering non supervisionato, in cui non è richiesta una conoscenza preliminare (tabula rasa).

Più specificamente, 268 pazienti ricoverati presso il Primo Dipartimento di Medicina Interna Propedeutica dell'Ospedale Universitario AHEPA di Salonicco sono stati valutati in termini di 40 variabili cliniche (numeriche e categoriche), portando a un set di dati ad alta dimensionalità. La riduzione della dimensionalità è stata eseguita applicando l'analisi delle componenti principali (PCA) sulla parte numerica del set di dati e l'analisi delle corrispondenze multiple (MCA) sulla parte categorica del set di dati. Quindi, il Bayesian Information Criterion (BIC) è stato applicato ai Gaussian Mixture Models (GMM) per identificare il numero ottimale di cluster, sotto i quali si verifica il miglior raggruppamento di pazienti.

La metodologia proposta ha identificato 4 cluster di pazienti con caratteristiche cliniche simili. L'analisi ha rivelato un gruppo di pazienti asintomatici che hanno provocato la morte con un tasso del 23,8%.

Questo sorprendente risultato ci costringe a riconsiderare la relazione tra la gravità dei sintomi clinici di COVID-19 e la mortalità del paziente.