Avertissement : Cette page est une traduction automatique de cette page à l'origine en anglais. Veuillez noter puisque les traductions sont générées par des machines, pas tous les traduction sera parfaite. Ce site Web et ses pages Web sont destinés à être lus en anglais. Toute traduction de ce site et de ses pages Web peut être imprécis et inexacte, en tout ou en partie. Cette traduction est fournie dans une pratique.

Trouver de premiers résultats dans les patients COVID-19

La manifestation du coronavirus 2 (SARS-CoV-2) de syndrôme respiratoire aigu sévère, qui est le virus responsable de la pandémie de la maladie 2019 de coronavirus (COVID-19), a le coût les durées des millions de gens dans le monde entier et continue à être un danger global important. La pandémie a exercé une quantité considérable de pression sur les deux hôpitaux et installations sanitaires, car les moyens limités étaient procurables pour satisfaire la demande croissante des patients infectés avec ce virus nouveau.

Dans ces circonstances, les systèmes d'aide à la décision cliniques qui sont basés sur l'analyse prévisionnelle peuvent être utiles en manageant l'urgence. Par exemple, le dépistage précoce de COVID-19 dans les patients qui sont pour remarquer la maladie grave et la mort peut aider en fournissant des soins adaptés, ainsi qu'optimisent l'utilisation des moyens limités.

Étude : Dépistage tôt de résultats pour des patients du ‑ 19 de COVID. Crédit d'image : pamai de sasirin/Shutterstock.com

Caractéristiques cliniques de COVID-19

COVID-19 est une maladie respiratoire qui a un large éventail de présentations cliniques et de gravité. Considérant que quelques patients infectés peuvent être asymptomatiques ou montrent des symptômes modérés, d'autres peuvent développer le syndrome de détresse respiratoire aigu (ARDS) qui est parfois suivi de plusieurs complications comprenant les effets de rein, cardiaques, gastro-intestinaux, thrombotiques, et neurologiques.

Plusieurs études cliniques ont aidé à la caractérisation de COVID-19 dans différentes cohortes patientes en recensant des facteurs de risque et des comorbidités pour la maladie, ainsi qu'en évaluant l'efficacité des différentes approches thérapeutiques qui sont mises en application dans le monde entier. Bien que plusieurs études soient effectuées, le mécanisme détaillé de la maladie toujours entièrement n'est pas compris. Par conséquent, il est difficile exécuter l'évaluation du risque au moment de l'hospitalisation, particulièrement dans les patients avec plusieurs facteurs de risque.

Plusieurs vaccins sont procurables contre COVID-19 ; cependant, beaucoup de chercheurs croient que la plupart des personnes dans les pays à faibles revenus ne seront pas vraisemblablement vaccinées contre COVID-19 avant au moins la fin de 2022. Supplémentaire, l'émergence des variantes SARS-CoV-2 a également menacé l'efficacité de ces vaccins. Ainsi, il peut conclure que la meilleure demande de règlement contre COVID-19 a pour être déterminée encore.

des technologies basées sur artificiel et les modèles prévisionnels peuvent être utilisés pour assister une évaluation des risques. Celles-ci comprennent l'analyse automatique des échographies de rayon X et de tomodensitométrie (CT) de poumon pour aider aux procédés diagnostiques et pronostiques de COVID-19. L'apprentissage automatique a été également utilisé pour distinguer COVID-19 et d'autres formes de la pneumonie. Des études pronostiques basées sur des caractéristiques cliniques également sont employées ; cependant, elles requièrent davantage d'étude puisque la plupart des modèles ne sont toujours pas assez matures.

Une étude de nature neuve a visé à prévoir des caractéristiques cliniques basées sur des résultats cliniques. L'étude actuelle a eu deux objectifs principaux, le premier était de déterminer les variables cliniques qui pourraient prévoir des résultats cliniques finaux et être ainsi utiles dans la prise de décision clinique. Le deuxième objectif était d'établir les modèles prévisionnels qui pourraient recenser les patients critiques pendant l'hospitalisation.

Au sujet de l'étude

Ensembles de données impliqués d'étude actuelle les deux des patients qui ont été admis dans trois éléments différents du centre hospitalier universitaire de Pise en Italie pendant les premières et deuxièmes ondes de la pandémie COVID-19. La caractéristique curated manuellement, ainsi que des dossiers électroniques obtenus à partir des trois éléments.

L'ensemble de données contenu plus de 125 variables, hors desquelles six variables prévisionnelles cliniques ont été sélectées par l'utilisation d'une caractéristique hybride de filtre/wrapper qui a été basée sur un algorithme génétique. Les six niveaux sélectés de troponine compris par variables, âge, niveaux d'azote (BUN) d'urée sanguine, rapport de P/F, présence de la myalgie, et la présence de la bronchopneumopathie chronique obstructive (COPD).

Ces variables ont été employées pour établir les modèles prévisionnels qui ont été basés sur la régression logistique (LR), les arbres de décision (DT), les forêts faites au hasard (RF), le bayes naïf (NB), et les machines de vecteur de support (SVM). Le rendement des modèles prévisionnels a été évalué a basé sur leur exactitude et rayure F1. La contre-vérification a été exécutée sur tous les patients qui ont fait mesurer ces variables.

Les méthodes d'étude étaient également comparées à la sélection de mode normale de filtre utilisant l'élimination récursive de caractéristique (RFE). En conclusion, le groupement de toutes les variables cliniques a été fait pour fournir une meilleure vue des biomarqueurs sélectés.

Découvertes d'étude

Les résultats de l'enquête ont indiqué que les six variables sélectées par l'algorithme général ont fourni le soutien important dans les documents médicaux sur COVID-19. Le rapport de P/F, par exemple, est une variable clinique importante qui aide dans la prise de décision clinique des conditions pour la ventilation externe et l'oxygénation des patients.

Un âge plus élevé est également un facteur de risque important qui a été correctement sélecté par l'algorithme. Le BPCO est également une variable importante cette des aides pour recenser des patients présentant la maladie pulmonaire chronique.

Les aides variables de troponine pour identifier la tige entre la maladie cardio-vasculaire et le COVID-19, alors que les aides variables de PETIT PAIN pour recenser toute maladie rénale chronique préexistante. La dernière variable de la myalgie propose que, selon le cas, la maladie puisse se développer contre différents organes cibles.

Seuils différents impliqués de couverture de méthode de choix de fonctionnalité standard les deux de la couverture patiente de 90% et de 75%. Pour le seuil de 90%, on l'a observé que les premières variables de P/F et d'âge étaient identiques que celles sélectées par l'algorithme général. On l'a également observé que la troponine et les niveaux de PETIT PAIN n'ont pas été sélectés, car elles ne sont pas tombées sous le seuil de la couverture 90%patient.

Les résultats ont également indiqué que quatre sur les cinq modèles prévisionnels compris dans l'étude ont fourni une exactitude de catégorie de plus de 85% pendant la première onde de la pandémie. D'ailleurs, le meilleur résultat a été affiché par la LR suivie de RF, de DT, et de SVM. Pendant la deuxième onde, seulement le DT a montré un niveau d'exactitude de 85%, alors que les autres montraient des niveaux beaucoup plus bas d'exactitude.

Beaucoup de variables cliniques se sont avérées manquantes pour les premiers ensembles de données d'onde. L'implication des valeurs manquantes a permis aux auteurs de vérifier le rendement des modèles prévisionnels, ainsi qu'à la validité des variables sélectées.

Pour des variables sélectées, on n'a observé aucune différence entre les valeurs réelles et imputées. Pour les modèles prévisionnels, on l'a observé que la LR et le RF ont révélé une légère diminution d'exactitude, alors que SVM et NOTA: connaissaient une légère augmentation.

Parmi les cinq modèles prévisionnels utilisés dans l'étude, les modèles seulement de DT et de la LR ont été considérés interprétables. Le modèle de la LR pourrait être interprété en étudiant les coefficients de régression, alors que le modèle de DT fournit une description visuelle de l'ensemble de données qui est basé sur les variables cliniques. Le modèle de DT aide également à classifier un patient neuf facilement.

En conclusion, le groupement des variables a déterminé que le six a sélecté des variables a appartenu à cinq boîtiers différents, qui ont également aidé à déterminer les autres maladies qui ont eu des symptômes cliniques courants. Ceci a pu davantage aider à déterminer la tige entre les ces maladies et COVID-19.

Bien que les chercheurs de l'étude actuelle aient effectué des efforts considérables pour suivre des pratiques en matière externes adaptées de validation, une limitation principale est que cette étude a compris des caractéristiques de seulement un hôpital. Ainsi, le modèle actuel doit être appliqué à de plus grands ensembles de données et à l'emplacement différent de sorte qu'elles puissent aider dans la prise de décision clinique à une telle heure de l'urgence.

Journal reference:
Suchandrima Bhowmik

Written by

Suchandrima Bhowmik

Suchandrima has a Bachelor of Science (B.Sc.) degree in Microbiology and a Master of Science (M.Sc.) degree in Microbiology from the University of Calcutta, India. The study of health and diseases was always very important to her. In addition to Microbiology, she also gained extensive knowledge in Biochemistry, Immunology, Medical Microbiology, Metabolism, and Biotechnology as part of her master's degree.

Citations

Please use one of the following formats to cite this article in your essay, paper or report:

  • APA

    Bhowmik, Suchandrima. (2021, September 21). Trouver de premiers résultats dans les patients COVID-19. News-Medical. Retrieved on December 01, 2021 from https://www.news-medical.net/news/20210921/Detecting-early-outcomes-in-COVID-19-patients.aspx.

  • MLA

    Bhowmik, Suchandrima. "Trouver de premiers résultats dans les patients COVID-19". News-Medical. 01 December 2021. <https://www.news-medical.net/news/20210921/Detecting-early-outcomes-in-COVID-19-patients.aspx>.

  • Chicago

    Bhowmik, Suchandrima. "Trouver de premiers résultats dans les patients COVID-19". News-Medical. https://www.news-medical.net/news/20210921/Detecting-early-outcomes-in-COVID-19-patients.aspx. (accessed December 01, 2021).

  • Harvard

    Bhowmik, Suchandrima. 2021. Trouver de premiers résultats dans les patients COVID-19. News-Medical, viewed 01 December 2021, https://www.news-medical.net/news/20210921/Detecting-early-outcomes-in-COVID-19-patients.aspx.