Aviso: Esta página é uma tradução automática da página original em inglês. Por favor note uma vez que as traduções são geradas por máquinas, não tradução tudo será perfeita. Este site e suas páginas da Web destinam-se a ler em inglês. Qualquer tradução deste site e suas páginas da Web pode ser imprecisas e imprecisos no todo ou em parte. Esta tradução é fornecida como uma conveniência.

Detectando resultados adiantados nos pacientes COVID-19

A manifestação do coronavirus 2 da Síndrome Respiratória Aguda Grave (SARS-CoV-2), que é o vírus responsável para a pandemia da doença 2019 do coronavirus (COVID-19), custou as vidas de milhões de povos no mundo inteiro e continuou a ser uma ameaça global principal. A pandemia aplicou uma quantidade considerável de uma pressão sobre ambos os hospitais e instalações sanitárias, porque os recursos limitados estavam disponíveis para encontrar o aumento da procura dos pacientes contaminados com este vírus novo.

Nestas circunstâncias, os sistemas de apoio clínicos da decisão que são baseados na análise com carácter de previsão podem ser úteis em controlar a emergência. Por exemplo, a detecção atempada de COVID-19 nos pacientes que são mais prováveis experimentar a doença crítica e a morte pode ajudar em fornecer o cuidado apropriado, assim como aperfeiçoa o uso dos recursos limitados.

Estudo: Detecção adiantada do resultado para pacientes do ‑ 19 de COVID. Crédito de imagem: pamai do sasirin/Shutterstock.com

Características clínicas de COVID-19

COVID-19 é uma doença respiratória que tenha uma vasta gama de apresentações e de severidade clínicas. Considerando que alguns pacientes contaminados podem ser assintomáticos ou mostram sintomas suaves, outro podem desenvolver a síndrome de aflição respiratória aguda (ARDS) que é seguida às vezes por diversas complicações que incluem os efeitos do rim, os cardíacos, os gastrintestinais, os thrombotic, e os neurológicos.

Diversos estudos clínicos ajudaram na caracterização de COVID-19 em coortes pacientes diferentes identificando factores de risco e comorbidities para a doença, assim como avaliando a eficácia das aproximações terapêuticas diferentes que estão sendo executadas no mundo inteiro. Embora diversos estudos estejam sendo realizados, o mecanismo detalhado da doença não é compreendido ainda inteiramente. Conseqüentemente, a avaliação do risco na altura da hospitalização é difícil de executar, especialmente nos pacientes com diversos factores de risco.

Diversas vacinas estão disponíveis contra COVID-19; contudo, muitos pesquisadores acreditam que a maioria de povos em países a renda baixa não estarão vacinados provavelmente contra COVID-19 até pelo menos o fim de 2022. Adicionalmente, a emergência das variações SARS-CoV-2 igualmente ameaçou a eficácia destas vacinas. Assim, pode-se concluir que o melhor tratamento contra COVID-19 tem ser estabelecido ainda.

as tecnologias e os modelos com carácter de previsão Artificial-inteligência-baseados podem ser empregados ajudando com uma avaliação de risco. Estes incluem a análise automática do raio X do pulmão e o tomografia computorizada (CT) faz a varredura para ajudar nos processos diagnósticos e prognósticos de COVID-19. A aprendizagem de máquina foi empregada igualmente distinguir entre COVID-19 e outros formulários da pneumonia. Os estudos prognósticos baseados em dados clínicos estão sendo usados igualmente; contudo, exigem um estudo mais adicional desde que a maioria dos modelos não são ainda maduros bastante.

Um estudo de natureza novo apontou prever os dados clínicos baseados em resultados clínicos. O estudo actual teve dois objetivos principais, os primeiros eram determinar as variáveis clínicas que poderiam prever resultados clínicos finais e assim ser úteis na tomada de decisão clínica. O segundo objetivo era construir os modelos com carácter de previsão que poderiam identificar pacientes críticos durante a hospitalização.

Sobre o estudo

O estudo actual envolveu dois conjunto de dados dos pacientes que foram admitidos em três unidades diferentes do hospital da universidade de Pisa em Itália durante as primeiras e segundas ondas da pandemia COVID-19. Os dados curated manualmente, assim como dos registros eletrônicos obtidos das três unidades.

O conjunto de dados contido sobre 125 variáveis, fora de que seis variáveis com carácter de previsão clínicas foram seleccionadas com o uso de uma característica híbrida do filtro/envoltório que fosse baseada em um algoritmo genético. O seis seleccionaram níveis incluídos variáveis do troponin, idade, níveis do nitrogênio de uréia (BUN) do sangue, relação de P/F, presença de myalgia, e a presença de doença pulmonar obstrutiva crônica (COPD).

Estas variáveis foram usadas para construir os modelos com carácter de previsão que foram baseados na regressão logística (LR), nas árvores de decisão (DT), em florestas aleatórias (RF), em Bayes ingénuo (NB), e em máquinas do vector do apoio (SVM). O desempenho dos modelos com carácter de previsão foi avaliado baseou em suas precisão e contagem F1. a Cruz-validação foi executada em todos os pacientes que tiveram aquelas variáveis medidas.

Os métodos do estudo foram comparados igualmente à selecção de característica padrão do filtro usando a eliminação recursivo da característica (RFE). Finalmente, a aglomeração de todas as variáveis clínicas foi feita para fornecer uma vista melhor dos biomarkers selecionados.

Resultados do estudo

Os resultados do estudo indicaram que as seis variáveis selecionadas pelo algoritmo geral forneceram o forte apoio na literatura médica em COVID-19. A relação de P/F, por exemplo, é uma variável clínica importante que ajude na tomada de decisão clínica das exigências para a ventilação externo e no oxigenação dos pacientes.

Uma idade mais alta é igualmente um factor de risco importante que seja seleccionado correctamente pelo algoritmo. COPD é igualmente uma variável importante que ajude a identificar pacientes com doença pulmonar crônica.

A variável do troponin ajuda a reconhecer a relação entre a doença cardiovascular e o COVID-19, visto que a variável do BOLO ajuda a identificar toda a doença renal crônica pre-existente. A última variável do myalgia sugere que, segundo o caso, a doença possa se tornar contra os órgãos de alvo diferentes.

O procedimento de selecção da característica padrão envolveu dois pontos iniciais diferentes da cobertura da cobertura paciente de 90% e de 75%. Para o ponto inicial de 90%, observou-se que as variáveis superiores de P/F e de idade eram as mesmas que essas selecionadas pelo algoritmo geral. Igualmente observou-se que o troponin e os níveis do BOLO não estiveram seleccionados, porque não caiu sob o ponto inicial da cobertura 90%patient.

Os resultados igualmente indicaram que quatro dos cinco modelos com carácter de previsão incluídos no estudo forneceram uma precisão da classificação sobre de 85% durante a primeira onda da pandemia. Além disso, o melhor resultado foi mostrado pela LR seguida pelo RF, pelo descolamento, e pelo SVM. Durante a segunda onda, somente o descolamento mostrou um nível da precisão de 85%, quando o outro mostrou uns níveis muito mais baixos da precisão.

Muitas variáveis clínicas foram encontradas para faltar para os primeiros conjunto de dados da onda. A implicação dos valores faltantes permitiu que os autores testassem o desempenho dos modelos com carácter de previsão, assim como a validez das variáveis selecionadas.

Para variáveis selecionadas, nenhuma diferença foi observada entre os valores reais e imputados. Para os modelos com carácter de previsão, observou-se que a LR e o RF mostraram uma redução ligeira na precisão, quando SVM e o N.B. experimentaram um aumento ligeiro.

Entre os cinco modelos com carácter de previsão usados no estudo, os modelos somente do descolamento e da LR foram considerados interpretable. O modelo da LR poderia ser interpretado estudando os coeficientes de regressão, quando o modelo do descolamento fornecer uma descrição visual do conjunto de dados que está baseado nas variáveis clínicas. O modelo do descolamento igualmente ajuda a classificar facilmente um paciente novo.

Finalmente, a aglomeração das variáveis determinou que o seis seleccionaram variáveis pertenceram a cinco conjuntos diferentes, que igualmente ajudaram a determinar as outras doenças que tiveram sintomas clínicos comuns. Isto podia mais ajudar a determinar a relação entre aqueles doenças e COVID-19.

Embora os pesquisadores do estudo actual façam esforços consideráveis para seguir práticas externos apropriadas da validação, uma limitação principal é que este estudo incluiu dados de somente um hospital. Assim, o modelo actual precisa de ser aplicado aos conjunto de dados maiores e em lugar diferentes de modo que possam ajudar na tomada de decisão clínica em tal hora da emergência.

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). Detectando resultados adiantados nos pacientes 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. "Detectando resultados adiantados nos pacientes 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. "Detectando resultados adiantados nos pacientes 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. Detectando resultados adiantados nos pacientes COVID-19. News-Medical, viewed 01 December 2021, https://www.news-medical.net/news/20210921/Detecting-early-outcomes-in-COVID-19-patients.aspx.