Эта платформа, использующая машинное обучение и данные метаболомики, призвана улучшить ведение пациентов и помочь медицинским работникам более эффективно распределять ресурсы во время серьезных вирусных вспышек, которые могут быстро перегрузить местные системы здравоохранения. Метаболомика — это изучение малых молекул, связанных с клеточным метаболизмом.

Возможность предсказать, каких пациентов можно отправить домой, а каким, возможно, потребуется госпитализация в отделение интенсивной терапии, крайне важна для работников здравоохранения, стремящихся оптимизировать состояние здоровья пациентов и наиболее эффективно использовать ресурсы больниц во время вспышки заболевания, — сказал старший автор исследования Василис Василиу, профессор эпидемиологии Йельской школы общественного здравоохранения (Yale School of Public Health, YSPH).

Результаты исследования опубликованы в журнале Human Genomics.

Платформа объединяет обычные клинические данные, информацию о коморбидности пациента и нецелевые данные метаболомики плазмы крови для прогнозирования.

Наша платформа для сортировки пациентов с помощью ИИ отличается от типичных моделей прогнозирования COVID-19, — говорит Джорджия Чаркофтаки, ведущий автор исследования и младший научный сотрудник кафедры наук о здоровье окружающей среды YSPH.

Она служит краеугольным камнем для проактивного и методичного подхода к борьбе с предстоящими вирусными вспышками.

Используя машинное обучение, исследователи построили модель тяжести COVID-19 и прогноза госпитализации на основе клинических данных и метаболических профилей, собранных у пациентов, госпитализированных с этим заболеванием.

Модель позволила нам определить панель уникальных клинических и метаболических биомаркеров, которые в высокой степени свидетельствуют о прогрессировании заболевания и позволяют предсказать необходимость ведения пациента уже вскоре после госпитализации, — пишут исследователи в своем исследовании.

Для проведения исследования группа ученых собрала комплексные данные 111 пациентов с COVID-19, госпитализированных в больницу Йель-Нью-Хейвен в течение двух месяцев в 2020 г., и 342 здоровых человека (медицинских работников), которые служили в качестве контроля. Пациенты были разделены на различные классы в зависимости от их потребностей в лечении: от не требующих внешнего кислорода до требующих положительного давления в дыхательных путях или интубации.

В ходе исследования был выявлен ряд повышенных метаболитов в плазме крови, которые четко коррелировали с тяжестью COVID-19. К ним относятся аллантоин, 5-гидрокситриптофан и глюкуроновая кислота.

Примечательно, что пациенты с повышенным уровнем эозинофилов в крови имели худший прогноз заболевания, что позволяет говорить о новом потенциальном биомаркере тяжести COVID-19. Исследователи также отметили, что у пациентов, которым требовалось положительное давление в дыхательных путях или интубация, наблюдалось снижение уровня серотонина в плазме крови, что, по их мнению, является неожиданным результатом, требующим дальнейшего изучения.

Платформа для сортировки пациентов с помощью искусственного интеллекта состоит из трех основных компонентов:

• Дерево клинических решений. Этот инструмент точной медицины включает в себя ключевые биомаркеры прогноза заболевания и позволяет в режиме реального времени прогнозировать развитие болезни и возможную продолжительность пребывания пациента в стационаре. Протестированная прогностическая модель продемонстрировала в исследовании высокую точность.
• Оценка продолжительности госпитализации. Платформа успешно оценила продолжительность госпитализации пациента в пределах 5-дневной погрешности. Важными факторами, влияющими на продолжительность госпитализации пациентов, оказались частота дыхания (>18 дыханий в минуту) и минимальный уровень азота мочевины в крови (BUN), побочного продукта белкового обмена.
• Прогнозирование тяжести заболевания. Платформа достоверно предсказывала тяжесть заболевания и вероятность госпитализации пациента в отделение интенсивной терапии. Это помогает медицинским работникам выявлять пациентов, наиболее подверженных риску развития опасных для жизни заболеваний, и позволяет им быстро начать лечение для оптимизации исходов, говорится в исследовании.

В рамках исследования научная группа разработала удобное для пользователя программное обеспечение — программу COVID Severity by Metabolomic and Clinical Study (CSMC), которая объединяет машинное обучение и клинические данные для обеспечения ведения пациентов на догоспитальном этапе и классификации состояния пациентов при их поступлении в отделение неотложной помощи.

Наша модельная платформа обеспечивает персонализированный подход к ведению пациентов с COVID-19, но она также закладывает основу для будущих вирусных вспышек, — заключает Василиу, заведующий кафедрой наук о здоровье окружающей среды YSPH.

Пока мир продолжает бороться с COVID-19, а мы сохраняем бдительность в отношении возможных будущих вспышек, наша платформа на базе ИИ представляет собой многообещающий шаг на пути к более эффективным и основанным на данных мерам в области общественного здравоохранения.