Ricercatori della Rutgers sviluppano un modello rivoluzionario di machine learning per prevedere la gravità del COVID-19
- Il modello a sei fattori prevede efficacemente la probabilità di decesso nei casi di COVID-19, offrendo uno strumento prezioso per la prognosi.
- Le variabili critiche includono il conteggio delle piastrine, il lattato, l'età, l'azoto ureico ematico (BUN), l'aspartato aminotransferasi e la proteina C-reattiva, fornendo un quadro completo per la valutazione.
- L'implementazione di questo sistema efficiente consente una cura personalizzata e un'analisi approfondita dei pazienti in arrivo, migliorando la precisione degli interventi medici.
In un significativo passo avanti nella battaglia contro la pandemia di COVID-19, i ricercatori del Rutgers hanno presentato un modello di machine learning pionieristico capace di prevedere la gravità dei casi di coronavirus. Il modello a sei fattori, sviluppato da un team di scienziati dedicati, offre un approccio rivoluzionario per valutare la prognosi dei pazienti, consentendo un'assistenza sanitaria più personalizzata ed efficiente.
Prevedere la gravità del COVID-19 con il modello di machine learning a sei fattori
In uno studio recente guidato da David Natanov, studente della Robert Wood Johnson Medical School e autore principale del progetto, è emerso un nuovo modello di machine learning come faro di speranza nella lotta contro il COVID-19. Riconoscendo le sfide uniche poste dal virus, Natanov e il suo team hanno cercato di affrontare l'anomalia degli effetti del COVID-19 rispetto ad altre malattie respiratorie.
Le sei variabili critiche, collettivamente note come PLABAC (conteggio piastrinico, lattato, età, azoto ureico nel sangue, aspartato aminotransferasi e proteina C-reattiva), sono state identificate come indicatori chiave della probabilità di decesso nei casi di COVID-19. A differenza di studi precedenti che spesso si affidavano a tecnologie non prontamente disponibili nei laboratori ospedalieri, i ricercatori del Rutgers hanno raccolto dati da oltre 900 casi presso l'University Hospital Robert Wood Johnson durante il picco della pandemia.
Natanov ha sottolineato la necessità di un modello specifico per il COVID-19 efficiente e accessibile, date le limitazioni dei modelli precedenti come il CURB-65 utilizzato per la polmonite. Dopo rigorosi test su più modelli, incluso uno a 77 variabili, PLABAC è emerso come l'insieme di variabili più predittivo.
Per gli ospedali, l'implementazione di questo modello significa un cambiamento rivoluzionario nell'assistenza ai pazienti. Natanov ha evidenziato la sua capacità di analizzare oggettivamente i pazienti in arrivo al momento del ricovero, consentendo ai medici di personalizzare le cure in base al caso specifico del paziente. Questo diventa particolarmente cruciale nel caso di nuove varianti, dove l'imprevedibilità del COVID-19 rimane una minaccia costante.
Byron Avihai, dottorando e ricercatore nel team di Natanov, ha sottolineato l'importanza del progetto per la raccolta di dati su larga scala e l'analisi delle cartelle cliniche dei pazienti. Il metodo di raccolta dati sviluppato, che ha richiesto un anno e mezzo per essere perfezionato, promette applicazioni per varie malattie in futuro. Avihai ha immaginato potenziali espansioni dello studio per osservare il COVID lungo (long COVID) e i suoi fattori determinanti.
L'importanza del monitoraggio continuo
Mentre il team di ricerca del Rutgers celebra questo traguardo, riconoscono le sfide in corso poste dalla natura in continua evoluzione del virus. Avihai ha sottolineato le costanti mutazioni del virus, sottolineando l'importanza di un monitoraggio ravvicinato da parte degli operatori sanitari. In particolare, la discussione si è concentrata sulle caratteristiche uniche della variante Omicron, sottolineando la sua tendenza a colpire le persone in gravidanza più rispetto ai suoi predecessori.
Natanov ha espresso la speranza che il modello PLABAC possa trovare la sua strada negli ospedali, offrendo alle famiglie la capacità di valutare le condizioni dei propri cari con maggiore precisione. Il team rimane impegnato nello studio del COVID-19 come entità clinica, riconoscendo il potenziale impatto positivo diffuso del modello in vari contesti sanitari.
Il modello di machine learning a sei fattori dei ricercatori del Rutgers rappresenta un passo significativo nella battaglia in corso contro la pandemia di COVID-19. Mentre gli ospedali continuano ad affrontare le sfide delle varianti in evoluzione e dei potenziali focolai sovrapposti, l'implementazione di tali modelli predittivi promette un approccio più efficiente e personalizzato all'assistenza ai pazienti. Questo approccio innovativo non solo aiuta a navigare le complessità delle sfide pandemiche attuali, ma si pone anche come un faro di speranza per la gestione futura delle malattie infettive, segnando un cambiamento di paradigma nelle strategie sanitarie.
Se stai leggendo questo, sei già avanti. Resta così con la nostra newsletter.
Dichiarazione di responsabilità. Le informazioni fornite non costituiscono consigli di trading. Cryptopolitan.com non si assume alcuna responsabilità per eventuali investimenti effettuati sulla base delle informazioni fornite in questa pagina. Si consiglia vivamente di effettuare ricerche indipendenti e/o consultare un professionista qualificato prima di prendere qualsiasi decisione di investimento.
Aamir Sheikh
Aamir è un giornalista tecnologico con quasi sei anni di esperienza nei settori delle criptovalute e della tecnologia. Si è laureato presso l'Università MAJ con un MBA in Finanza e Marketing. Attualmente lavora per Cryptopolitan, dove si occupa delle ultime novità sui mercati delle criptovalute e delle previsioni sui prezzi.
