هوش مصنوعی می تواند احتمال COVID-19 در مقابل آنفولانزا را بر اساس علائم پیش بینی کند – ScienceDaily


کمبود آزمایش، انتظار طولانی برای نتایج، و سیستم مراقبت بهداشتی با مالیات بیش از حد، در سرتاسر همه‌گیری کووید-19 به سرفصل‌ها تبدیل شده است. این مسائل می تواند بیشتر در جوامع کوچک یا روستایی در ایالات متحده و در سطح جهان تشدید شود. علاوه بر این، علائم تنفسی COVID-19 مانند تب و سرفه نیز با آنفولانزا همراه است که تشخیص‌های غیر آزمایشگاهی را در فصول خاصی پیچیده می‌کند. یک مطالعه جدید توسط محققان کالج بهداشت و خدمات انسانی برای کمک به شناسایی علائمی که احتمال بیشتری برای نشان دادن کووید در طول فصل آنفولانزا دارند، طراحی شده است. این اولین مطالعه ای است که فصلی بودن را در نظر گرفته است.

فرخ عالمی، محقق اصلی و استاد مدیریت و سیاست سلامت، و دیگر محققان میسون، احتمال ابتلای بیمار به کووید-19، آنفولانزا، یا بیماری تنفسی دیگری را قبل از آزمایش، بسته به فصل، پیش‌بینی می‌کنند. این می تواند به پزشکان کمک کند تا بیمارانی را که بیشتر مشکوک به ابتلا به COVID-19 هستند، تریاژ کنند.

عالمی که مشاهده کرد، گفت: «زمانی که دسترسی به آزمایش قابل اعتماد کووید محدود است یا نتایج آزمایش به تأخیر می‌افتد، پزشکان، به‌ویژه آنهایی که جامعه محور هستند، بیشتر به علائم و نشانه‌ها اعتماد می‌کنند تا یافته‌های آزمایشگاهی برای تشخیص کووید-19». این چالش ها در نقاطی در سراسر همه گیری. الگوریتم ما می‌تواند به ارائه‌دهندگان مراقبت‌های بهداشتی کمک کند تا مراقبت از بیمار را در حالی که منتظر آزمایش آزمایشگاهی هستند تریاژ کنند یا در صورت کمبود آزمایش، به اولویت‌بندی آزمایش‌ها کمک کند.»

یافته‌ها نشان می‌دهد که ارائه‌دهندگان مراقبت‌های بهداشتی مبتنی بر جامعه باید علائم و نشانه‌های مختلفی را برای تشخیص کووید بسته به زمان سال دنبال کنند. در خارج از فصل آنفولانزا، تب حتی قوی‌تر از فصل آنفولانزا پیش‌بینی‌کننده کووید است. در طول فصل آنفولانزا، احتمال ابتلا به آنفولانزا در فردی که سرفه دارد بیشتر از کووید است. این مطالعه نشان داد که فرض اینکه فردی که در طول فصل آنفولانزا تب دارد، مبتلا به کووید باشد نادرست است. الگوریتم بر علائم مختلف برای بیماران در سن و جنس مختلف تکیه داشت. این مطالعه همچنین نشان داد که خوشه‌های علائم در تشخیص کووید-19 مهم‌تر از علائم به تنهایی هستند.

این الگوریتم ها با تجزیه و تحلیل علائم گزارش شده توسط 774 بیمار COVID در چین و 273 بیمار COVID در ایالات متحده ایجاد شده اند. این تجزیه و تحلیل همچنین شامل 2885 بیماری آنفولانزا و 884 بیماری شبه آنفلوانزا در بیماران آمریکایی بود. “مدل سازی احتمال COVID-19 بر اساس غربالگری علائم و شیوع آنفولانزا و بیماری های مشابه آنفلوانزا” در مدیریت کیفیت در مراقبت های بهداشتی شماره آوریل/ژوئن 2022. بقیه تیم تحقیقاتی نیز از میسون هستند: پروفسور سلامت جهانی و سلامت اپیدمیولوژی، امیرا روس، هیئت علمی وابسته، جی وانگ، و نامزد دکترا، الینا گوورالنیک.

اگرچه این الگوریتم‌ها بسیار پیچیده هستند و نمی‌توان انتظار داشت که پزشکان این محاسبات را در حین ارائه مراقبت انجام دهند. عالمی گفت: تشخیص احتمالی قبل از ویزیت. از آنجا، پزشکان می توانند تصمیمات تریاژ را در مورد نحوه مراقبت از بیمار در حالی که منتظر نتایج رسمی آزمایشگاه هستند، اتخاذ کنند.

این مطالعه شامل هیچ بیمار COVID-19 بدون علائم تنفسی نمی شود که شامل افراد بدون علامت می شود. علاوه بر این، مطالعه بین هفته اول و دوم شروع علائم، که می تواند متفاوت باشد، تفاوتی قائل نشد.

این تحقیق نمونه اولیه ای از نحوه استفاده از داده های موجود برای یافتن علائم نشانه بیماری جدید بود. روش ممکن است فراتر از این بیماری همه گیر مرتبط باشد.

“وقتی شیوع جدیدی وجود دارد، جمع آوری داده ها زمان بر است. تجزیه و تحلیل سریع داده های موجود می تواند زمان تمایز ارائه بیماری های جدید را از بیماری هایی با علائم همپوشانی کاهش دهد. روش در این مقاله برای پاسخ سریع به همه گیری بعدی مفید است. عالمی گفت.

منبع داستان:

مواد تهیه شده توسط دانشگاه جورج میسون. نوشته اصلی توسط مری کانینگهام. توجه: محتوا ممکن است برای سبک و طول ویرایش شود.



منبع

Matthew Newman

Matthew Newman Matthew has over 15 years of experience in database management and software development, with a strong focus on full-stack web applications. He specializes in Django and Vue.js with expertise deploying to both server and serverless environments on AWS. He also works with relational databases and large datasets
[ Back To Top ]