Αγνή Ορφανουδάκη, Ph.D.
Μεταδιδακτορική Ερευνήτρια
Massachusetts Institute of Technology (M.I.T.), Βοστώνη, Η.Π.Α.
Προσκεκλημένη
Συγγραφέας
Αφορμή για τη μελέτη μας αποτέλεσε η εμφάνιση
και ταχύτατη διάδοση της νέας λοίμωξης από τον κορωναïό SARS-CoV-2 (λοίμωξη COVID-19), με πρώτη επίσημη
αναφορά από την Κίνα στις 31 Δεκεμβρίου 2019 και στη συνέχεια η κήρυξη από τον
Παγκόσμιο Οργανισμό Υγείας της έκτακτης αυτής κατάστασης ως πανδημίας στις 12
Μαρτίου 2020.
Πολύ γρήγορα έγινε αντιληπτό ότι η έγκαιρη αναγνώριση των
ασθενών με λοίμωξη COVID-19
και με αυξημένο κίνδυνο θνητότητας μπορεί να βελτιώσει σημαντικά τη διαχείριση
των ασθενών και την αποτελεσματικότερη κατανομή των διαθέσιμων πόρων στα
νοσοκομεία και σε άλλους χώρους παροχής υπηρεσιών υγείας
Ο σκοπός
της μελέτης μας ήταν η δημιουργία και επικύρωση (validation) ενός αλγόριθμου εξατομικευμένου
υπολογισμού κινδύνου θνητότητας με τη βοήθεια στοιχείων από βάσεις δεδομένων
νοσοκομειακών ασθενών με λοίμωξη COVID-19.
Οργάνωση και Σχεδιασμός: Αφού εξασφαλίστηκαν συνθήκες ανωνυμίας, ελήφθησαν δεδομένα
για 3.927 ασθενείς με διαγνωσμένη λοίμωξη COVID-19 που νοσηλεύτηκαν από την 1η
Φεβρουαρίου 2020 έως τις 15 Μαΐου 2020 σε έξι διαφορετικές περιοχές και
συνολικά 33 νοσοκομεία. Οι περιοχές χωρίστηκαν σε ομάδες (cohorts) ‘παραγωγής’ δεδομένων και ομάδες
‘επικύρωσης’ δεδομένων.
Διενεργήθηκε συλλογή δημογραφικών, κλινικών και
εργαστηριακών δεδομένων των ασθενών κατά την εισαγωγή στο νοσοκομείο. Στη
συνέχεια δημιουργήσαμε το εργαλείο πρόβλεψης κινδύνου International COVID-19 Mortality (ICM)
risk tool χρησιμοποιώντας τον αλγόριθμο XGBoost για να προβλέψουμε τις πιθανότητες
θνητότητας. Η διακριτική ικανότητα (discrimination performance) του εργαλείου ICM εκτιμήθηκε με τη μέθοδο υπολογισμού
της περιοχής κάτω από την καμπύλη πιθανοτήτων ROC καθώς και σύστημα αποτύπωσης
μετρήσεων σε πραγματικό χρόνο βάσει προκαθορισμένων ορίωνthreshold-based metrics). Ο πλήρης
όρος της πρώτης μεθόδου είναι Area Under the Curve – Receiver Operating
Characteristics (AUC-ROC). Πρακτικά
όσο πιο κοντά στο 1 είναι η AUC ενός μοντέλου, τόσο καλύτερο είναι το μοντέλο στην εκτίμηση
του κινδύνου, δηλαδή, στην περίπτωσή μας, τόσο καλύτερα και πιο αξιόπιστα θα
διακρίνει τον ασθενή με κακή πρόγνωση έναντι αυτού με καλή πρόγνωση.
Στη συνέχεια τα χαρακτηριστικά του μοντέλου αξιολογήθηκαν με
τη βοήθεια των ομάδων επικύρωσης. Χρησιμοποιήθηκε ένα δοκιμασμένο εργαλείο
τεχνητής νοημοσύνης (machine learning framework) για τον εντοπισμό των
σημαντικότερων παραγόντων κινδύνου μέσα στο μοντέλο (risk drivers) και την παρουσίασή τους με
ερμηνεύσιμο τρόπο.
Το ζητούμενο της μελέτης μας ήταν η θνητότητα από την COVID-19 λοίμωξη στο τέλος της παρούσας
νοσηλείας.
Αποτελέσματα. Τελικά η ανάλυση περιέλαβε 3062 ασθενείς από την ομάδα
παραγωγής δεδομένων. Η διάμεση ηλικία ήταν 68 έτη και διαπιστώθηκε θνητότητα
26.84%. Στο μοντέλο εισήχθησαν 22 κλινικά χαρακτηριστικά και μεταβλητές που
καταγράφηκαν τη στιγμή της εισαγωγής στο νοσοκομείο.
Βρέθηκε ότι n αυξημένη ηλικία, μειωμένος κορεσμός οξυγόνου (≤93%), τα
αυξημένα επίπεδα C-αντιδρώσας
πρωτεΐνης (≥130 mg
/ L), αυξημένες τιμές ουρίας (≥18 mg / dL) και κρεατινίνης αίματος (≥ 1,2 mg / dL) ήταν οι κύριοι δείκτες αυξημένης
θνητότητας. Το μοντέλο σημείωσε AUC 0,90 με βάση την ομάδα παραγωγής. Όταν αξιολογήθηκε με βάση
τρεις ομάδες επικύρωσης, σημείωσε AUC 0,92 (95% CI, 0,88-0,95) για τους ασθενείς από την περιοχή της Σεβίλλης,
0,87 (95% CI,
0,84-0,91) για ασθενείς από ελληνικά νοσοκομεία (Hellenic COVID-19 Study Group) και 0,81 (95% CI) 0,76-0,85) για ασθενείς με
νοσοκομείο Χάρτφορντ στο Κοννέκτικατ των ΗΠΑ.
Στην εικόνα διακρίνεται η οθόνη αποτελεσμάτων του ICM με
παράδειγμα υπολογισμού εκτίμησης κινδύνου.
Το εργαλείο εκτίμησης κινδύνου ICM είναι διαθέσιμο ως διαδραστική
διαδικτυακή εφαρμογή, covidanalytics.io/mortality_calculator και ήδη είναι σε κλινική χρήση αυτή τη στιγμή.
Συμπερασματικά, το μοντέλο ICM αξιοποιεί την τεχνολογία της τεχνητής νοημοσύνης για να
παραγάγει πολύ ακριβείς προβλέψεις θνητότητας, χρησιμοποιώντας συνηθισμένες και
εύκολα διαθέσιμες κλινικές παραμέτρους και χαρακτηριστικά. Πρόκειται για το
πρώτο μοντέλο κινδύνου που δημιουργήθηκε και επικυρώθηκε με βάση στοιχεία από
βάσεις δεδομένων ασθενών με COVID-19 λοίμωξη από την Ευρώπη και τις Ηνωμένες Πολιτείες.
Ιστοσελίδα ομάδας εργασίας M.I.T.:
Προσωπική ιστοσελίδα ερευνήτριας Αγνής
Ορφανουδάκη:
Επιστροφή στην αρχική σελίδα -Πίνακα -Περιεχομένων
Δεν υπάρχουν σχόλια:
Δημοσίευση σχολίου