Investigadores de Rutgers desarrollan un modelo innovador de aprendizaje automático para predecir la gravedad del COVID-19
- El modelo de seis factores predice eficazmente la probabilidad de muerte en casos de COVID-19, ofreciendo una herramienta valiosa para el pronóstico.
- Las variables críticas incluyen el recuento de plaquetas, lactato, edad, nitrógeno ureico en sangre, aspartato aminotransferasa y proteína C reactiva, proporcionando un marco integral para la evaluación.
- La implementación de este sistema eficiente permite una atención personalizada y un análisis exhaustivo de los pacientes que llegan, mejorando la precisión de las intervenciones médicas.
En un avance significativo en la batalla contra la pandemia de COVID-19, los investigadores de Rutgers han presentado un modelo pionero de aprendizaje automático capaz de predecir la gravedad de los casos de coronavirus. El modelo de seis factores, desarrollado por un equipo de científicos dedicados, ofrece un enfoque innovador para evaluar el pronóstico de los pacientes, permitiendo una atención médica más personalizada y eficiente.
Predecir la gravedad del COVID-19 con el modelo de aprendizaje automático de seis factores
En un estudio reciente dirigido por David Natanov, estudiante de la Facultad de Medicina Robert Wood Johnson y autor principal del proyecto, ha surgido un nuevo modelo de aprendizaje automático como un faro de esperanza en la lucha contra el COVID-19. Reconociendo los desafíos únicos planteados por el virus, Natanov y su equipo buscaron abordar la anormalidad de los efectos del COVID-19 en comparación con otras enfermedades respiratorias.
Las seis variables críticas, conocidas colectivamente como PLABAC (recuento de plaquetas, lactato, edad, nitrógeno ureico en sangre, aspartato aminotransferasa y proteína C reactiva), fueron identificadas como indicadores clave de la probabilidad de muerte en casos de COVID-19. A diferencia de estudios anteriores que a menudo dependían de tecnologías no disponibles fácilmente en los laboratorios hospitalarios, los investigadores de Rutgers recopilaron datos de más de 900 casos en el Hospital Universitario Robert Wood Johnson durante el pico de la pandemia.
Natanov enfatizó la necesidad de un modelo específico para el COVID-19 eficiente y accesible, dada las limitaciones de modelos anteriores como CURB-65 utilizado para la neumonía. Después de pruebas rigurosas de múltiples modelos, incluido uno de 77 variables, PLABAC emergió como el conjunto de variables más predictivo.
Para los hospitales, la implementación de este modelo significa un cambio revolucionario en la atención al paciente. Natanov destacó su capacidad para analizar objetivamente a los pacientes entrantes al momento del ingreso, permitiendo a los médicos adaptar la atención según el caso específico del paciente. Esto se vuelve particularmente crucial en el caso de nuevas variantes, donde la imprevisibilidad del COVID-19 sigue siendo una amenaza constante.
Byron Avihai, candidato a doctorado e investigador en el equipo de Natanov, enfatizó la importancia del proyecto para la recopilación de datos a gran escala y el análisis de historiales de pacientes. El método de recopilación de datos desarrollado, que tomó un año y medio en refinarse, promete aplicación a varias enfermedades en el futuro. Avihai visualizó posibles expansiones del estudio para observar el COVID prolongado y sus factores determinantes.
La importancia del monitoreo continuo
A medida que el equipo de investigación en Rutgers celebra este hito, reconocen los desafíos continuos planteados por la naturaleza en constante evolución del virus. Avihai señaló las mutaciones constantes del virus, subrayando la importancia de un monitoreo cercano por parte de los proveedores de atención médica. Cabe destacar que la discusión se centró en las características únicas de la variante Ómicron, enfatizando su tendencia a afectar a las personas embarazadas más que a sus predecesoras.
Natanov expresó la esperanza de que el modelo PLABAC pudiera encontrar su camino en los hospitales, ofreciendo a las familias la capacidad de evaluar con mayor precisión el estado de sus seres queridos. El equipo se mantiene comprometido con el estudio del COVID-19 como una entidad clínica, reconociendo el impacto positivo generalizado potencial del modelo en diversos entornos de atención médica.
El modelo de aprendizaje automático de seis factores de los investigadores de Rutgers representa un paso significativo en la batalla continua contra la pandemia de COVID-19. A medida que los hospitales continúan lidiando con los desafíos de las variantes en evolución y posibles brotes superpuestos, la implementación de tales modelos predictivos promete un enfoque más eficiente y personalizado para la atención al paciente. Este enfoque innovador no solo ayuda a navegar las complejidades de los desafíos actuales de la pandemia, sino que también se erige como un faro de esperanza para la gestión futura de enfermedades infecciosas, marcando un cambio de paradigma en las estrategias de atención médica.
Las mentes más inteligentes del mundo cripto ya leen nuestro boletín. ¿Quieres unirte? Únete a ellos.
Aviso de responsabilidad. La información proporcionada no es un consejo de trading. Cryptopolitan.com no asumimos responsabilidad alguna por las inversiones realizadas basándose en la información proporcionada en esta página. Recomendamos encarecidamente la investigación independiente y/o la consulta con un profesional calificado antes de tomar cualquier decisión de inversión.
Aamir Sheikh
Aamir es un periodista tecnológico con casi seis años de experiencia en los sectores de criptomonedas y tecnología. Se graduó de la Universidad MAJ con un MBA en Finanzas y Marketing. Ahora trabaja con Cryptopolitan, donde informa sobre los últimos desarrollos en los mercados de criptomonedas y predicciones de precios.
