결과 심각도와 관련된 COVID-19 임상 상태: 감독되지 않은 기계 학습 접근 방식

COVID-19 대유행이 시작된 이래로 1억 9,500만 명이 감염되었고 420만 명이 질병 또는 그 부작용으로 사망했습니다. 의사, 의료 과학자 및 의료진은 과중한 입원을 처리하기 위해 지속적으로 노력하는 동시에 동시에 감염된 환자의 증상, 동반 질환 및 바이오마커와의 의미 있는 상관관계를 식별하려고 노력합니다. 인공지능(AI)과 머신러닝(ML)은 최근 코로나19 헬스케어와 관련된 많은 분야에서 활용되고 있다. 주요 목표는 COVID-19 및 그 결과와 관련된 다양한 문제를 효과적으로 관리하는 것입니다. COVID-19 의료에 대한 ML의 기존 응용 프로그램은 미리 정의된 클래스뿐만 아니라 학습을 위한 기준점 역할을 하는 레이블이 지정된 교육 데이터 세트가 필요한 감독 분류를 기반으로 합니다. 그러나 COVID-19와 그 결과에 대한 기존 지식은 여전히 ​​견고하지 않으며 다양한 과학 커뮤니티 간의 공통 합의 사항이 여전히 불분명합니다.

따라서 이 연구는 사전 지식이 필요하지 않은(tabula rasa) 비감독 클러스터링 접근 방식을 따르는 것을 목표로 했습니다.

보다 구체적으로, Thessaloniki의 AHEPA 대학 병원의 First Propaedutic Department of Internal Medicine의 268명의 입원 환자는 40개의 임상 변수(숫자 및 범주) 측면에서 평가되어 고차원 데이터 세트로 이어졌습니다. 데이터셋의 숫자 부분에 주성분 분석(PCA)을 적용하고 데이터셋의 범주 부분에 다중 대응 분석(MCA)을 적용하여 차원 축소를 수행했습니다. 그런 다음 BIC(Bayesian Information Criterion)를 Gaussian Mixture Models(GMM)에 적용하여 최적의 군집 수를 식별했으며, 그 아래에서 최상의 환자 그룹화가 발생합니다.

제안된 방법론은 유사한 임상 특성을 가진 환자의 4개의 군집을 식별했습니다. 분석 결과 23.8%의 비율로 사망한 무증상 환자 군집이 드러났다.

이 놀라운 결과는 COVID-19 임상 증상의 중증도와 환자 사망률 사이의 관계를 재고하게 합니다.