Status kliniczny COVID-19 powiązany z ciężkością wyniku: podejście do uczenia maszynowego bez nadzoru

Od początku pandemii COVID-19 195 milionów ludzi zostało zarażonych, a 4,2 miliona zmarło z powodu choroby lub jej skutków ubocznych. Lekarze, naukowcy zajmujący się opieką zdrowotną i personel medyczny nieustannie próbują radzić sobie z przeciążeniem przyjęć do szpitali, jednocześnie próbując zidentyfikować znaczące korelacje między ciężkością zakażonych pacjentów a ich objawami, chorobami współistniejącymi i biomarkerami. Sztuczna inteligencja (AI) i uczenie maszynowe (ML) są ostatnio wykorzystywane w wielu obszarach związanych z opieką zdrowotną związaną z COVID-19. Głównym celem jest efektywne zarządzanie szeroką gamą zagadnień związanych z COVID-19 i jego konsekwencjami. Istniejące zastosowania ML w opiece zdrowotnej COVID-19 opierają się na nadzorowanej klasyfikacji, która wymaga oznaczonego zestawu danych szkoleniowych, służącego jako punkt odniesienia do nauki, a także predefiniowanych klas. Jednak dotychczasowa wiedza na temat COVID-19 i jego konsekwencji wciąż nie jest solidna, a punkty wspólnej zgody między różnymi środowiskami naukowymi wciąż nie są jasne.

Dlatego też niniejsze badanie miało na celu zastosowanie nienadzorowanego podejścia do grupowania, w którym nie jest wymagana wcześniejsza wiedza (tabula rasa).

Dokładniej, 268 hospitalizowanych pacjentów na Pierwszym Propedeutycznym Oddziale Chorób Wewnętrznych Szpitala Uniwersyteckiego AHEPA w Salonikach zostało ocenionych pod kątem 40 zmiennych klinicznych (liczbowych i kategorycznych), co doprowadziło do zbioru danych o dużej wielowymiarowości. Redukcję wymiarowości przeprowadzono stosując analizę głównych składowych (PCA) w numerycznej części zbioru danych oraz analizę wielokrotnej korespondencji (MCA) w części kategorialnej zbioru danych. Następnie zastosowano Bayesowskie Kryterium Informacyjne (BIC) do Gaussian Mixture Models (GMM) w celu określenia optymalnej liczby skupień, w obrębie których występuje najlepsze grupowanie pacjentów.

Zaproponowana metodologia zidentyfikowała 4 skupienia pacjentów o podobnej charakterystyce klinicznej. Analiza ujawniła grupę bezobjawowych pacjentów, u których odsetek zgonów wyniósł 23,8%.

Ten uderzający wynik zmusza nas do ponownego rozważenia związku między nasileniem objawów klinicznych COVID-19 a śmiertelnością pacjentów.