ابزار جدید هوش مصنوعی پزشکی موارد بیشتری از کووید طولانی مدت را از سوابق سلامت بیماران شناسایی می کند

حسین استیری، نویسنده ارشد، دکترا، رئیس تحقیقات هوش مصنوعی در مرکز هوش مصنوعی و انفورماتیک زیست پزشکی گفت: ابزار هوش مصنوعی ما می تواند یک فرآیند تشخیصی مه آلود را به چیزی دقیق و متمرکز تبدیل کند و به پزشکان این قدرت را بدهد که شرایط چالش برانگیز را درک کنند. سیستم مراقبت بهداشتی یادگیری (CAIBILS) در ماس جنرال بریگام و دانشیار پزشکی در دانشکده پزشکی هاروارد. "با این کار، ممکن است در نهایت بتوانیم کووید طولانی مدت را برای آنچه واقعاً هست ببینیم - و مهمتر از آن، نحوه درمان آن."

کووید طولانی، همچنین به عنوان عواقب پس از حاد عفونت SARS-CoV-2 (PASC) شناخته می شود، شامل طیف گسترده ای از علائم است. برای اهداف مطالعه خود، استیری و همکارانش آن را به عنوان تشخیص طرد که با عفونت نیز همراه است، تعریف کردند. این بدان معناست که تشخیص نمی تواند در پرونده پزشکی منحصر به فرد بیمار توضیح داده شود و همچنین باید با عفونت COVID مرتبط باشد. علاوه بر این، تشخیص باید به مدت 2 ماه یا بیشتر در یک پنجره پیگیری 12 ماهه ادامه داشته باشد.

الگوریتم مورد استفاده در ابزار هوش مصنوعی با ترسیم داده های بیمار شناسایی نشده از سوابق بالینی نزدیک به 300000 بیمار در 14 بیمارستان و 20 مرکز بهداشتی اجتماعی در سیستم Mass General Brigham توسعه یافته است. هوش مصنوعی به جای تکیه بر یک کد تشخیصی واحد، از روش جدیدی به نام «فنوتایپ دقیق» توسعه یافته توسط استیری و همکارانش استفاده می کند که سوابق فردی را غربال می کند تا علائم و شرایط مرتبط با COVID-19 را شناسایی کند و علائم را در طول زمان به منظور ردیابی کند. تا آنها را از سایر بیماری ها متمایز کند. به عنوان مثال، این الگوریتم می تواند تشخیص دهد که آیا تنگی نفس ممکن است نتیجه شرایط از قبل موجود مانند نارسایی قلبی یا آسم باشد تا کووید طولانی. تنها زمانی که تمام احتمالات دیگر تمام شود، این ابزار بیمار را به عنوان مبتلا به کووید طولانی مدت علامت گذاری می کند.

پزشکان اغلب با رد شدن در شبکه ای از علائم و سوابق پزشکی مواجه می شوند که مطمئن نیستند که کدام رشته ها را بکشند، در حالی که حجم پرونده های شلوغ را متعادل می کنند. داشتن ابزاری مجهز به هوش مصنوعی که می تواند این کار را به طور روشمند برای آنها انجام دهد، می تواند بازی را تغییر دهد. دکتر آلاله آژیر، یکی از نویسندگان این مقاله که یک رزیدنت داخلی در بیمارستان زنان بریگهام، یکی از اعضای مؤسس سیستم مراقبت های بهداشتی عمومی ماس جنرال بریگام

به گفته محققان، تشخیص های بیمار محور ارائه شده توسط این روش جدید ممکن است به کاهش سوگیری های موجود در تشخیص های فعلی برای کووید طولانی مدت نیز کمک کند، آنها خاطرنشان می کنند که بیمارانی که با کد تشخیصی رسمی ICD-10 برای طولانی مدت کووید تشخیص داده می شوند نسبت به افرادی که دسترسی آسان تر دارند، تشخیص داده می شوند. به مراقبت های بهداشتی در حالی که سایر مطالعات تشخیصی نشان داده اند که تقریباً 7٪ از جمعیت از COVID طولانی رنج می برند، این رویکرد جدید تخمین بسیار بالاتری را نشان می دهد - 22.8٪. نویسندگان بیان کردند که این رقم با روندهای ملی همسوتر است و تصویر واقعی تری از تلفات درازمدت همه گیری را ترسیم می کند.

محققان تشخیص دادند که ابزار آنها حدود 3 درصد دقیق تر از آنچه کدهای ICD-10 می گیرند، است، در حالی که سوگیری کمتری دارد. به طور خاص، مطالعه آنها نشان داد که افرادی که آنها را مبتلا به کووید طولانی شناسایی کرده اند، ساختار جمعیتی گسترده تر ماساچوست را منعکس می کنند، بر خلاف الگوریتم های طولانی COVID که بر یک کد تشخیصی واحد یا برخوردهای بالینی تکی تکیه می کنند، و نتایج را به سمت جمعیت های خاصی مانند افرادی که دسترسی بیشتری به آن دارند، تغییر می دهند. مراقبت استیری گفت: "این دامنه وسیع تر تضمین می کند که جوامع به حاشیه رانده شده، که اغلب در مطالعات بالینی به حاشیه رانده شده اند، دیگر نامرئی نیستند."

محدودیت های مطالعه و ابزار هوش مصنوعی شامل این است که داده های سوابق سلامتی مورد استفاده در الگوریتم برای توضیح علائم طولانی کووید ممکن است نسبت به آنچه که توسط پزشکان در یادداشت های بالینی پس از ویزیت ثبت شده است، کامل تر باشد. محدودیت دیگر این بود که الگوریتم بدتر شدن احتمالی یک وضعیت قبلی را که ممکن است یک علامت طولانی مدت کووید باشد، ثبت نمی کند. به عنوان مثال، اگر بیمار مبتلا به COPD بود و دوره های قبلی آن قبل از ابتلا به کووید-19 بدتر می شد، الگوریتم ممکن است آنها را حذف کند، حتی اگر علائم ماندگار او نشانگر طولانی مدت کووید باشد. کاهش میزان آزمایش کووید-19 در سال های اخیر همچنین تشخیص اینکه چه زمانی ممکن است یک بیمار برای اولین بار به کووید-19 مبتلا شده باشد را دشوار می کند. این مطالعه همچنین به بیماران در ماساچوست محدود شد.

مطالعات آینده ممکن است این الگوریتم را در گروه هایی از بیماران مبتلا به شرایط خاص، مانند COPD یا دیابت، بررسی کند. محققان همچنین قصد دارند این الگوریتم را به صورت عمومی در دسترسی آزاد منتشر کنند، جایی که پزشکان و سیستم های مراقبت بهداشتی در سراسر جهان بتوانند از آن در جمعیت بیماران خود استفاده کنند.

این کار علاوه بر گشودن دری به روی مراقبت های بالینی بهتر، ممکن است پایه ای برای تحقیقات آینده در مورد عوامل ژنتیکی و بیوشیمیایی پشت انواع مختلف کووید طولانی باشد. استیری گفت: «سوالات در مورد بار واقعی کووید - سوالاتی که تاکنون مبهم مانده اند - اکنون در دسترس تر به نظر می رسند.»

تألیف: علاوه بر استیری، نویسندگان Mass General Brigham عبارتند از: آلاله آژیر، جوناس هوگل، جیازی تیان، جینگیا چنگ، اینگرید وی. باست، امیلی اس. لاو، یوگنی آر. سمنوف، ویرجینیا ای.تریانت، زاخاری اچ استراسر، جفری جی. کلن و شاون ان. مورفی. نویسندگان دیگر عبارتند از، داگلاس اس. بل، المر وی. برنستام، ماها آر. فرهات، دارن دبلیو هندرسون، میشل موریس، و شیام ویسوسواران.

تامین مالی: پشتیبانی از مؤسسه ملی بهداشت، مؤسسه ملی آلرژی و بیماری های عفونی (NIAID) R01AI165535، مؤسسه ملی قلب، ریه و خون (NHLBI) OT2HL161847، و مرکز ملی پیشرفت علوم ترجمه (NCATS) UL1 TR0031167, UL1 TR0031167, U24TR004111. کار J.Hügel تا حدی توسط کمک هزینه تحصیلی در برنامه IFI سرویس تبادل علمی آلمان (DAAD) و توسط وزارت آموزش و تحقیقات فدرال (BMBF) و همچنین توسط بنیاد تحقیقات آلمان (426671079) تامین شد.