기계 학습으로 인해 코로나19의 놀라움이 드러났습니다

병원 방문은 초기 질병과 결과로 요약될 수 있습니다. 그러나 건강 기록은 의사의 메모와 환자 기록, 활력 징후 및 검사 결과로 가득 차 있으며 잠재적으로 몇 주 동안 입원할 수 있다는 다른 이야기를 들려줍니다. 건강 연구에서는 모든 데이터에 수백 명의 환자가 곱해집니다. 그렇다면 AI 데이터 처리 기술이 점점 정교해지면서 의사들이 건강을 AI와 빅데이터 문제로 다루고 있는 것은 당연한 일이다.

최근 노스웨스턴 대학의 연구자들은 전자 건강 기록에 기계 학습을 적용하여 환자가 기계식 인공호흡기에서 호흡 보조를 받는 중환자실(ICU)의 폐렴에 대한 보다 세부적인 일상 분석을 생성했습니다. 4월 27일 Journal of Clinical Investigation에 발표된 분석에는 기계 학습을 통한 환자 일수의 클러스터링이 포함되어 있습니다. 이는 장기 호흡 부전 및 2차 감염 위험이 많은 주제보다 코로나19 환자에서 훨씬 더 흔하다는 것을 시사합니다. 초기 코로나19에 대한 두려움 – 사이토카인 폭풍.

연구 공동저자이자 노스웨스턴 파인버그 의과대학 부교수인 벤자민 D. 싱어(Benjamin D. Singer)는 “ICU에서 데이터 분석에 접근하는 대부분의 방법은 환자가 입원할 때 환자의 데이터를 살펴본 다음 먼 시점의 결과를 살펴봅니다.”라고 말했습니다. "가운데에 있는 모든 것은 블랙박스이다."

AI가 코로나19 사례 연구를 넘어 매일 중환자실 환자 상태 데이터를 통해 새로운 임상 결과를 도출할 수 있기를 희망한다.

데이터에 대한 일별 접근 방식을 통해 연구원들은 두 가지 관련 결과를 얻었습니다. 2차 호흡기 감염은 COVID-19 환자를 포함하여 ICU 환자에게 일반적인 위협입니다. 그리고 코로나19와 호흡 부전 사이의 강한 연관성은 코로나19 환자의 사이토카인 폭풍에 대한 예상치 못한 증거 부족으로 해석될 수 있습니다. 환자가 염증성 사이토카인 반응을 보이면 궁극적으로 다발성 장기 부전으로의 전환이 예상될 수 있지만 연구자들은 이를 발견하지 못했습니다. 보고된 비율은 다양하지만, 팬데믹 초기부터 사이토카인 폭풍은 심각한 코로나19 사례에서 위험한 가능성으로 간주되어 왔습니다.

환자의 약 35%는 ICU 입원 중 어느 시점에서 인공호흡기 관련 폐렴(VAP)이라고도 알려진 2차 감염으로 진단되었습니다. 코로나19 환자의 57% 이상이 VAP를 발병한 반면, 비COVID 환자의 경우 25%가 VAP를 겪었습니다. COVID-19 환자의 거의 20%에서 여러 VAP 에피소드가 보고되었습니다.

노스웨스턴 대학교의 의학 강사이자 연구 공동저자 중 한 명인 캐서린 가오(Catherine Gao)는 그들이 사용한 기계 학습 알고리즘이 연구자들이 "임상적으로 의미가 있는 명확한 패턴이 나타나는 것을 확인"하는 데 도움이 되었다고 말했습니다. 팀은 "오늘을 즐겨라"를 의미하는 라틴어 문구를 따서 하루 중심의 기계 학습 접근 방식을 CarpeDiem이라고 명명했습니다.

CarpeDiem은 Jupyter Notebook 플랫폼을 사용하여 구축되었으며 팀은 코드와 비식별 데이터를 모두 사용할 수 있도록 만들었습니다. 데이터 세트에는 각 환자 일자에 대한 44개의 서로 다른 임상 매개변수가 포함되어 있으며 클러스터링 접근 방식은 호흡기, 인공호흡기 불안정, 염증, 신장, 신경 및 쇼크 등 6가지 유형의 기관 기능 장애에 대한 서로 다른 특징을 가진 14개 그룹을 반환했습니다.

"이 분야에서는 초기 데이터를 보고 [환자]가 며칠, 몇 주 또는 몇 달 후에 어떻게 될지 예측할 수 있는지 확인하는 데 중점을 두었습니다."라고 Singer는 말했습니다. 그는 단지 몇 가지 시점이 아닌 일일 ICU 환자 상태를 사용하는 연구가 연구자와 그들이 사용하는 AI 및 기계 학습 알고리즘을 통해 다양한 치료법의 효능이나 환자의 변화에 ​​대한 반응에 대해 더 많이 알 수 있기를 희망한다고 말했습니다. 상태. 향후 연구 방향 중 하나는 질병의 추진력을 조사하는 것이라고 Singer는 말했습니다.

연구자들이 개발한 기술("환자 당일 접근법"이라고 함)은 데이터 포인트 사이의 시간을 단축하여 임상 상태의 다른 변화를 포착할 수 있다고 매사추세츠 종합병원의 응급 의사이자 임상 실습을 위한 예측 모델 개발을 돕는 Sayon Dutta가 말했습니다. 머신러닝을 사용했으며 연구에는 참여하지 않았습니다. 시간별 데이터는 클러스터링 접근 방식에 자체적인 문제를 나타낼 수 있어 패턴을 인식하기 어렵게 만들 수 있다고 그는 말했습니다. "대신 하루를 8시간 단위로 나누는 것이 세분성과 차원성을 적절히 절충한 것이라고 생각합니다."라고 그는 말했습니다.