Используя алгоритм машинного обучения на базе данных электронных медицинских карт (ЭМК) более чем 1300 госпитализированных пациентов с COVID-19 в ProMedica — крупнейшей системе здравоохранения в северо-западном Огайо и юго-восточном Мичигане — команда классифицировала пациентов на «умеренные» и «тяжелые» состояния и проследила траекторию развития болезни, когда пациенты переходили через различные состояния риска во время госпитализации.
Учет тяжести заболевания — в отличие от предыдущей научной литературы, в которой рассматривались только статические факторы риска — позволил команде определить, когда по мере прогрессирования заболевания определенные переменные, такие как возраст и раса, а также сопутствующие заболевания, включая диабет и гипертонию, приводили к более тяжелым исходам.
Модель позволила команде, в которую входили соавторы из Университета Толедо, впервые продемонстрировать, что связь между некоторыми факторами и более неблагоприятными исходами COVID-19 может зависеть от «текущего» состояния пациента. Наиболее значимым оказалось то, что, хотя у пациентов мужского пола вероятность серьезных осложнений или смерти от COVID-19 была выше, чем у пациентов женского пола, при «тяжелом» состоянии женщины чаще, чем мужчины, умирали от заболевания. Результаты исследования были опубликованы 7 февраля в журнале Американской ассоциации медицинской информатики.
Моделируя всю траекторию движения госпитализированных пациентов с COVID-19, команда показала «статистически значимые различия» в относительном риске прогрессирования заболевания, что, по их мнению, следует учитывать при проведении оценки риска среди пациентов в больницах.
Сопер добавил, что оценка риска в зависимости от состояния заболевания также может применяться ко многим другим острым и хроническим заболеваниям, помимо COVID-19, которые до сих пор в основном оценивались только с помощью статических данных и методов моделирования.
Модели показали, что, хотя принадлежность к мужскому полу, чернокожесть или наличие сопутствующих заболеваний связаны с повышенным риском перехода от умеренного к тяжелому состоянию болезни, эти же факторы приводили к снижению риска перехода от тяжелого состояния к смерти. Исследователи объяснили контринтуитивные результаты существующей распространенностью статических моделей для стратификации риска.
Среди других результатов: индекс массы тела (ИМТ) сам по себе не был связан с повышенным риском прогрессирования заболевания, в то время как пожилой возраст был связан с повышенным риском прогрессирования от умеренного к тяжелому и от тяжелого к смертельному состоянию, сообщили исследователи.
Полученные результаты могут быть полезны в тех случаях, когда определенные лабораторные исследования недоступны или непомерно дороги — что особенно важно во время пандемии COVID-19, когда многим пациентам и врачам необходимо быстро принимать решения, говорят исследователи.