Uczenie maszynowe do walki z pandemią COVID-19

Uczenie maszynowe (machine learning) to metoda samouczenia się maszyn w oparciu o analizę danych i odnajdywanie zawartych w nich wzorców. Dzięki algorytmom machine learning komputery mogą samodzielnie analizować dane oraz automatycznie tworzyć i dostosowywać modele w celu samodoskonalenia i nabywania nowej wiedzy, potrzebnej do rozwiązania zadanego problemu. Wszystko odbywa się w sposób zautomatyzowany, bez potrzeby wcześniejszego zaprogramowania przez człowieka.

Uczeni z Mount Sinai opracowali modele uczenia maszynowego, które przewidują prawdopodobieństwo wystąpienia krytycznych zdarzeń i śmiertelności u pacjentów z COVID-19 w istotnym przedziale czasowym. Wyniki zostały opublikowane w "Journal of Medical Internet Research" i mogą pomóc uczonym w skuteczniejszej walce z COVID-19.

- Od początku wybuchu epidemii COVID-19 zauważyliśmy, że objawy i przebieg choroby są niejednorodne. Opracowaliśmy modele uczenia maszynowego z wykorzystaniem danych pacjentów, którzy przeszli infekcję. Teraz jesteśmy znacznie lepiej przygotowani niż wcześniej. Oceniamy, w jaki sposób modele te mogą pomóc lekarzom w walce z pandemią - powiedział dr Benjamin Glicksberg z Icahn School of Medicine w Mount Sinai.W badaniu retrospektywnym wykorzystano dokumentację medyczną pochodzącą od ponad 4000 dorosłych pacjentów z COVID-19 przyjętych do pięciu szpitali. Badacze wykorzystali modele do przewidywania zdarzeń krytycznych lub śmiertelności w oknach czasowych 3, 5, 7 i 10 dni od momentu przyjęcia do szpitala. 

W ciągu tygodnia, który był najbardziej reprezentatywny, prawidłowo oceniono krytyczne zdarzenia, a jednocześnie zwrócono uwagę na fałszywie dodatnie wyniki - ostre uszkodzenie nerek, szybki oddech, wysoki poziom cukru we krwi i podwyższony poziom dehydrogenazy mleczanowej (LDH) wskazujące na uszkodzenie tkanek. Najsilniejszymi czynnikami w przewidywaniu śmiertelności były wiek, zaburzenia równowagi poziomu cukru we krwi oraz poziom białka C-reaktywnego, wskazujący na stan zapalny.- Stworzyliśmy wysokowydajne modele predykcyjne przy użyciu uczenia maszynowego w celu poprawy opieki nad naszymi pacjentami w Mount Sinai. Co ważniejsze, stworzyliśmy metodę, która identyfikuje ważne wskaźniki zdrowia, które szacują prawdopodobieństwo wystąpienia ostrych prognoz dotyczących opieki i mogą być wykorzystywane przez instytucje opieki zdrowotnej na całym świecie w celu poprawy decyzji dotyczących opieki - powiedział Girish Nadkarni z Icahn School of Medicine w Mount Sinai, dyrektor kliniczny Hasso Plattner Institute for Digital Health.