COVID-19 Klinische status geassocieerd met ernst van het resultaat: een benadering zonder toezicht op machinaal leren

Sinds het begin van de COVID-19-pandemie zijn 195 miljoen mensen besmet en zijn 4,2 miljoen mensen overleden aan de ziekte of de bijwerkingen ervan. Artsen, gezondheidswetenschappers en medisch personeel proberen voortdurend om te gaan met overbelaste ziekenhuisopnames, terwijl ze tegelijkertijd zinvolle correlaties proberen te identificeren tussen de ernst van geïnfecteerde patiënten met hun symptomen, comorbiditeiten en biomarkers. Kunstmatige intelligentie (AI) en machine learning (ML) zijn de laatste tijd gebruikt op veel gebieden die verband houden met COVID-19-gezondheidszorg. Het belangrijkste doel is om de grote verscheidenheid aan problemen met betrekking tot COVID-19 en de gevolgen ervan effectief te beheren. De bestaande toepassingen van ML in de COVID-19-gezondheidszorg zijn gebaseerd op gecontroleerde classificatie die een gelabelde trainingsdataset vereist, die dient als referentiepunt voor leren, evenals vooraf gedefinieerde klassen. De bestaande kennis over COVID-19 en de gevolgen ervan is echter nog steeds niet solide en de punten van overeenstemming tussen verschillende wetenschappelijke gemeenschappen zijn nog onduidelijk.

Daarom was het doel van deze studie om een ​​unsupervised clustering-benadering te volgen, waarbij voorkennis niet vereist is (tabula rasa).

Meer specifiek werden 268 gehospitaliseerde patiënten van de Eerste Propedeuse Afdeling Interne Geneeskunde van het AHEPA Universitair Ziekenhuis van Thessaloniki beoordeeld op basis van 40 klinische variabelen (numeriek en categorisch), wat leidde tot een dataset met hoge dimensionaliteit. Dimensionaliteitsreductie werd uitgevoerd door Principal Component Analysis (PCA) toe te passen op het numerieke deel van de dataset en Multiple Correspondence Analysis (MCA) op het categorische deel van de dataset. Vervolgens werd het Bayesiaanse informatiecriterium (BIC) toegepast op Gaussiaanse mengmodellen (GMM) om het optimale aantal clusters te identificeren waaronder de beste groepering van patiënten plaatsvindt.

De voorgestelde methodologie identificeerde 4 clusters van patiënten met vergelijkbare klinische kenmerken. De analyse onthulde een cluster van asymptomatische patiënten die resulteerden in overlijden met een percentage van 23,8%.

Dit opvallende resultaat dwingt ons om de relatie tussen de ernst van de klinische symptomen van COVID-19 en de mortaliteit van de patiënt te heroverwegen.