Naukowcy podają, że nowe narzędzie AI usprawnia proces diagnostyczny, potencjalnie identyfikując więcej osób potrzebujących opieki.
Z poprzednich badań diagnostycznych wynikało, że na długotrwałą chorobę Covid-19 cierpi 7 procent populacji. Jednak nowe badanie z wykorzystaniem narzędzia AI opracowanego przez Mass General Brighama wskazuje na znacznie wyższy wskaźnik wynoszący 22,8%.
Narzędzie oparte na sztucznej inteligencji może przeglądać elektroniczną dokumentację medyczną, aby pomóc klinicystom identyfikować przypadki długiego przebiegu Covid-19. Często tajemniczy stan może obejmować całą litanię trwałych objawów, w tym zmęczenie, przewlekły kaszel i zamglenie mózgu po zakażeniu wirusem SARS-CoV-2.
Zastosowany algorytm został opracowany na podstawie pozbawionych danych identyfikacyjnych danych pacjentów z dokumentacji klinicznej prawie 300 000 pacjentów z 14 szpitali i 20 lokalnych ośrodków zdrowia w systemie Mass General Brigham. Wyniki opublikowano w czasopiśmie Medmogłoby zidentyfikować więcej osób, które powinny zostać objęte opieką z powodu tej potencjalnie wyniszczającej choroby.
„Nasze narzędzie AI może zamienić mglisty proces diagnostyczny w coś ostrego i skoncentrowanego, dając klinicystom możliwość zrozumienia trudnego stanu” – powiedział starszy autor Hossein Estiri, kierownik działu badań nad sztuczną inteligencją w Centrum AI i Biomedycznej Informatyki Uczenia się Healthcare System (CAIBILS) w MGB i profesor nadzwyczajny medycyny w Harvard Medical School. „Dzięki tej pracy być może w końcu będziemy w stanie zobaczyć, czym naprawdę jest długotrwała choroba Covid-19 i, co ważniejsze, jak ją leczyć”.
Na potrzeby swoich badań Estiri i współpracownicy zdefiniowali długi COVID jako: diagnoza wykluczenia to jest również związane z infekcją. Oznacza to, że diagnozy nie można było wyjaśnić w indywidualnej dokumentacji medycznej pacjenta, ale była ona powiązana z infekcją COVID. Ponadto diagnoza musiała utrzymywać się przez dwa miesiące lub dłużej w 12-miesięcznym okresie obserwacji.
Precyzyjne fenotypowanie: nowatorskie podejście
Nowatorska metoda opracowana przez Estiri i współpracowników, zwana „precyzyjnym fenotypowaniem”, przegląda indywidualne zapisy w celu zidentyfikowania objawów i stanów związanych z COVID 19 śledzenie objawów w czasie w celu odróżnienia ich od innych chorób. Algorytm może na przykład wykryć, czy duszność wynika z istniejących wcześniej schorzeń, takich jak niewydolność serca czy astma, a nie z długiego przebiegu choroby Covid-19. Dopiero gdy zostaną wyczerpane wszystkie inne możliwości, narzędzie oznaczy pacjenta jako cierpiącego na długotrwałą chorobę Covid-19.
„Lekarze często stają przed koniecznością przedzierania się przez splątaną sieć objawów i historii choroby, nie wiedząc, za które wątki należy pociągnąć, jednocześnie równoważąc napiętą liczbę przypadków. Posiadanie narzędzia opartego na sztucznej inteligencji, które może metodycznie to zrobić za nich, mogłoby zmienić zasady gry” – powiedziała Alaleh Azhir, współautorka i rezydentka chorób wewnętrznych w Brigham and Women’s Hospital, założycielka systemu opieki zdrowotnej Mass General Brigham .
Diagnoza skoncentrowana na pacjencie za pomocą nowego narzędzia może również pomóc złagodzić uprzedzenia wbudowane w obecną diagnostykę długiego przebiegu Covid-19, twierdzą badacze, którzy zauważyli, że diagnozy oparte na oficjalnym kodzie diagnostycznym ICD-10 w przypadku długiego przebiegu Covid-19 charakteryzują się tendencją w kierunku osób z łatwiejszym dostępem do opieki zdrowotnej.
Naukowcy stwierdzili, że ich narzędzie jest o około 3 procent dokładniejsze niż dane przechwytywane przez kody ICD-10, a jednocześnie jest mniej stronnicze. W szczególności ich badanie wykazało, że osoby zidentyfikowane jako osoby cierpiące na długą chorobę Covid odzwierciedlają szerszy skład demograficzny Massachusetts, w przeciwieństwie do algorytmów dotyczących długiej choroby Covid-19, które opierają się na jednym kodzie diagnostycznym lub indywidualnych spotkaniach klinicznych, wypaczając wyniki w kierunku niektórych populacji, np. osób z większym dostępem do pielęgnacja.
„Ten szerszy zakres gwarantuje, że społeczności marginalizowane, często marginalizowane w badaniach klinicznych, nie będą już niewidoczne” – stwierdziła Estiri.
Ograniczenia i przyszłe kierunki
Ograniczenia badania i narzędzia AI obejmują fakt, że dane z dokumentacji zdrowotnej wykorzystywane przez algorytm do uwzględnienia długotrwałych objawów COVID mogą być mniej kompletne niż dane, które lekarze rejestrują w notatkach klinicznych po wizycie. Kolejnym ograniczeniem było to, że algorytm nie wychwycił możliwego pogorszenia wcześniejszego stanu, który mógł być długotrwałym objawem COVID. Na przykład, jeśli pacjent miał POChP, która uległa pogorszeniu przed rozwinięciem się u niego Covid-19, algorytm mógł usunąć te epizody, nawet jeśli były one długimi wskaźnikami COVID. Spadek liczby testów na obecność Covid-19 w ostatnich latach utrudnia również ustalenie, kiedy pacjent mógł po raz pierwszy zarazić się Covid-19.
Badanie ograniczono do pacjentów w Massachusetts.
Przyszłe badania mogą zbadać algorytm w kohortach pacjentów ze specyficznymi schorzeniami, takimi jak POChP czy cukrzyca. Naukowcy planują również udostępnić ten algorytm publicznie w ramach otwartego dostępu, aby lekarze i systemy opieki zdrowotnej na całym świecie mogli z niego korzystać w swoich populacjach pacjentów.
Oprócz otwarcia drzwi do lepszej opieki klinicznej, praca ta może położyć podwaliny pod przyszłe badania nad czynnikami genetycznymi i biochemicznymi stojącymi za różnymi podtypami długiego Covid-19. „Pytania o prawdziwe obciążenie długiem Covid-19 – pytania, które do tej pory pozostawały nieuchwytne – wydają się teraz bardziej w zasięgu ręki” – powiedziała Estiri.
Odniesienie: „Precyzyjne fenotypowanie w celu kurowania kohort badawczych pacjentów z niewyjaśnionymi poostrymi następstwami COVID-19” autorstwa Alaleh Azhir, Jonas Hügel, Jiazi Tian, Jingya Cheng, Ingrid V. Bassett, Douglas S. Bell, Elmer V. Bernstam, Maha R. Farhat, Darren W. Henderson, Emily S. Lau, Michele Morris, Yevgeniy R. Semenov, Virginia A. Triant, Shyam Visweswaran, Zachary H. Strasser, Jeffrey G. Klann, Shawn N. Murphy i Hossein Estiri, 8 listopada 2024 r., Med.
DOI: 10.1016/j.medj.2024.10.009
Wsparcie udzieliła firma Narodowe Instytuty ZdrowiaNarodowy Instytut Alergii i Chorób Zakaźnych (NIAID) R01AI165535, Narodowy Instytut Serca, Płuc i Krwi (NHLBI) OT2HL161847 oraz Krajowe Centrum Postępu Nauk Translacyjnych (NCATS) UL1 TR003167, UL1 TR001881 i U24TR004111. Praca J. Hügela została częściowo sfinansowana ze stypendium w ramach programu IFI Niemieckiej Służby Wymiany Akademickiej (DAAD) oraz przez Federalne Ministerstwo Edukacji i Badań Naukowych (BMBF), a także przez Niemiecką Fundację Badawczą (426671079).
