Attenzione: questa pagina è una traduzione automatica di questa pagina originariamente in lingua inglese. Si prega di notare in quanto le traduzioni sono generate da macchine, non tutte le traduzioni saranno perfetti. Questo sito web e le sue pagine web sono destinati ad essere letto in inglese. Ogni traduzione del sito e le sue pagine web possono essere imprecise e inesatte, in tutto o in parte. Questa traduzione è fornita per comodità.

Rilevazione dei risultati iniziali in pazienti COVID-19

Lo scoppio del coronavirus 2 (SARS-CoV-2) di sindrome respiratorio acuto severo, che è il virus responsabile della pandemia di malattia 2019 di coronavirus (COVID-19), ha costato le durate di milioni di persone nel mondo intero e continua ad essere una minaccia globale importante. La pandemia ha esercitato una considerevole quantità di pressione su entrambi gli ospedali e servizi sanitari, poichè le risorse limitate erano a disposizione per incontrare la domanda crescente dei pazienti infettati con questo virus novello.

In queste circostanze, i sistemi di supporto alle decisioni clinici che sono basati sull'analisi premonitrice possono essere utili nella gestione dell'emergenza. Per esempio, l'individuazione tempestiva di COVID-19 in pazienti che sono più probabili avvertire la malattia critica e la morte può aiutare nella fornitura della cura adatta come pure ottimizza l'uso delle risorse limitate.

Studio: Rilevazione iniziale di risultato per i pazienti del ‑ 19 di COVID. Credito di immagine: pamai/Shutterstock.com di sasirin

Funzionalità cliniche di COVID-19

COVID-19 è una malattia respiratoria che ha una vasta gamma di presentazioni e di severità cliniche. Considerando che alcuni pazienti infettati possono essere asintomatici o mostrano i sintomi delicati, altri possono sviluppare la sindrome di emergenza respiratoria acuta (ARDS) che a volte è seguita da parecchie complicazioni compreso gli effetti cardiaci, gastrointestinali, trombotici e neurologici del rene.

Parecchi studi clinici hanno assistito nella caratterizzazione di COVID-19 in gruppi pazienti differenti identificando i fattori di rischio ed i comorbidities per la malattia come pure valutando l'efficacia degli approcci terapeutici differenti che stanno applicandi nel mondo intero. Sebbene parecchi studi stiano effettuandi, il meccanismo dettagliato della malattia ancora completamente non è capito. Di conseguenza, la valutazione del rischio ai tempi dell'ospedalizzazione è difficile da eseguire, particolarmente in pazienti con parecchi fattori di rischio.

Parecchi vaccini sono disponibili contro COVID-19; tuttavia, molti ricercatori ritengono che la maggior parte della gente in paesi a basso reddito probabilmente non sia vaccinata contro COVID-19 fino almeno alla fine di 2022. Ulteriormente, l'emergenza delle varianti SARS-CoV-2 egualmente ha minacciato l'efficacia di questi vaccini. Quindi, può essere concluso che il migliore trattamento contro COVID-19 ha ancora essere stabilito.

alle le tecnologie basate a artificiale ed i modelli premonitori possono essere impiegati per l'assistenza ad una valutazione del rischio. Questi comprendono l'analisi automatica delle scansioni dei raggi x e di tomografia computerizzata (CT) del polmone per assistere nei trattamenti diagnostici e prognostici di COVID-19. L'apprendimento automatico egualmente è stato impiegato per distinguere fra COVID-19 ed altri moduli di polmonite. Gli studi prognostici basati sui dati clinici egualmente stanno usandi; tuttavia, richiedono ulteriore studio poiché la maggior parte dei modelli non sono ancora abbastanza maturi.

Un nuovo studio di natura ha mirato a predire i dati clinici basati sui risultati clinici. Lo studio corrente ha avuto due obiettivi principali, i primi erano di determinare le variabili cliniche che potrebbero predire i risultati clinici definitivi e così essere utili nel processo decisionale clinico. Il secondo obiettivo era di sviluppare i modelli premonitori che potrebbero identificare i pazienti critici durante l'ospedalizzazione.

Circa lo studio

Lo studio corrente ha compreso due gruppi di dati dei pazienti che sono stati ammessi in tre unità differenti dell'ospedale universitario di Pisa in Italia durante le prime e seconde onde della pandemia COVID-19. I dati curated manualmente come pure dalle registrazioni elettroniche ottenute dalle tre unità.

Il gruppo di dati contenuto oltre 125 variabili, da cui sei variabili premonirici cliniche sono state selezionate con l'uso di una funzionalità ibrida involucro/del filtro che è stata basata su un algoritmo genetico. Il sei ha selezionato i livelli della troponina inclusi variabili, l'età, i livelli dell'azoto (BUN) dell'urea nel sangue, il rapporto F di P, la presenza di mialgia e la presenza di malattia polmonare ostruttiva cronica (COPD).

Queste variabili sono state usate per sviluppare i modelli premonitori che sono stati basati su regressione logistica (LR), sugli alberi di decisione (DT), sulle foreste casuali (RF), su Baies ingenuo (NB) e sui commputer di vettore di sostegno (SVM). La prestazione dei modelli premonitori è stata valutata ha basato sulla loro accuratezza e punteggio F1. la Inter-convalida è stata realizzata su tutti i pazienti che hanno fatti quelle misurare variabili.

I metodi di studio egualmente sono stati confrontati alla selezione di caratteristiche standard del filtro facendo uso dell'eliminazione ricorsiva della funzionalità (RFE). Per concludere, il raggruppamento di tutte le variabili cliniche è stato fatto per fornire una migliore visualizzazione dei biomarcatori selezionati.

Risultati di studio

I risultati dello studio hanno indicato che le sei variabili selezionate dall'algoritmo generale hanno fornito l'appoggio importante nella letteratura medica su COVID-19. Il rapporto F di P, per esempio, è una variabile clinica importante che aiuta nel processo decisionale clinico dei requisiti di ventilazione esterna e nell'ossigenazione dei pazienti.

Il più alta età è egualmente un fattore di rischio importante che è stato selezionato correttamente dall'algoritmo. COPD è egualmente una variabile importante che contribuisce ad identificare i pazienti con l'affezione polmonare cronica.

La variabile della troponina contribuisce a riconoscere il collegamento fra la malattia cardiovascolare e COVID-19, mentre la variabile del PANINO contribuisce ad identificare tutta la malattia renale cronica preesistente. L'ultima variabile di mialgia suggerisce che, secondo il caso, la malattia possa svilupparsi contro gli organi bersaglio differenti.

La procedura standard di selezione di caratteristiche ha compreso due soglie differenti di copertura di copertura paziente di 75% e di 90%. Per la soglia di 90%, è stato osservato che le variabili superiori di P/F e dell'età erano le stesse di quelle selezionate dall'algoritmo generale. Egualmente è stato osservato che la troponina ed i livelli del PANINO non sono stati selezionati, poichè non sono rientrato nella soglia di copertura 90%patient.

I risultati egualmente hanno indicato che quattro sui cinque modelli premonitori inclusi nello studio hanno fornito un'accuratezza di classificazione più di 85% durante la prima onda della pandemia. Inoltre, il migliore risultato è stato indicato dalla LR seguita dalla rf, dal distacco e da SVM. Durante la seconda onda, soltanto il distacco ha mostrato un livello di accuratezza di 85%, mentre gli altri hanno mostrato i livelli molto più bassi di accuratezza.

Molte variabili cliniche sono risultate mancanti per i primi gruppi di dati dell'onda. L'implicazione dei valori mancanti ha permesso che gli autori verificassero la prestazione dei modelli premonitori come pure la validità delle variabili selezionate.

Per le variabili selezionate, nessuna differenza è stata osservata fra i valori reali ed imputati. Per i modelli premonitori, è stato osservato che la LR e la rf hanno mostrato una leggera riduzione dell'accuratezza, mentre SVM e la N.B.: hanno avvertito un leggero aumento.

Fra i cinque modelli premonitori utilizzati nello studio, i modelli della LR e soltanto di distacco sono stati considerati interpretabili. Il modello della LR potrebbe essere interpretato studiando i coefficienti di regressione, mentre il modello di distacco fornisce una descrizione visiva del gruppo di dati che è basato sulle variabili cliniche. Il modello di distacco egualmente contribuisce a classificare facilmente un nuovo paziente.

Per concludere, il raggruppamento delle variabili ha determinato che il sei ha selezionato le variabili ha appartenuto a cinque cluster differenti, che egualmente hanno contribuito a determinare le altre malattie che hanno avute sintomi clinici comuni. Ciò ha potuto più ulteriormente contribuire a determinare il collegamento fra quei malattie e COVID-19.

Sebbene i ricercatori dello studio corrente facciano i considerevoli sforzi per seguire le pratiche esterne adatte di convalida, una limitazione principale è che questo studio ha compreso i dati da soltanto un ospedale. Quindi, il modello corrente deve applicarsi ai più grandi gruppi di dati ed alle posizioni differenti in moda da poterli aiutare essi nel processo decisionale clinico ad un tal tempo dell'emergenza.

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). Rilevazione dei risultati iniziali in pazienti COVID-19. News-Medical. Retrieved on December 07, 2021 from https://www.news-medical.net/news/20210921/Detecting-early-outcomes-in-COVID-19-patients.aspx.

  • MLA

    Bhowmik, Suchandrima. "Rilevazione dei risultati iniziali in pazienti COVID-19". News-Medical. 07 December 2021. <https://www.news-medical.net/news/20210921/Detecting-early-outcomes-in-COVID-19-patients.aspx>.

  • Chicago

    Bhowmik, Suchandrima. "Rilevazione dei risultati iniziali in pazienti COVID-19". News-Medical. https://www.news-medical.net/news/20210921/Detecting-early-outcomes-in-COVID-19-patients.aspx. (accessed December 07, 2021).

  • Harvard

    Bhowmik, Suchandrima. 2021. Rilevazione dei risultati iniziali in pazienti COVID-19. News-Medical, viewed 07 December 2021, https://www.news-medical.net/news/20210921/Detecting-early-outcomes-in-COVID-19-patients.aspx.