Rutgers 연구원들, COVID-19 중증도 예측을 위한 획기적인 머신러닝 모델 개발

COVID-19 팬데믹과의 전투에서 상당한 도약으로, Rutgers의 연구원들은 코로나바이러스 사례의 중증도를 예측할 수 있는 선구적인 머신러닝 모델을 공개했습니다. dedicated scientists 팀이 개발한 6가지 요소 모델은 환자의 예후를 평가하는 획기적인 접근 방식을 제공하여 더 개인화되고 효율적인 의료 서비스를 가능하게 합니다.

6가지 요소 머신러닝 모델로 COVID-19 중증도 예측

Robert Wood Johnson Medical School의 학생이자 프로젝트의 주요 저자인 David Natanov이 이끄는 최근 연구에서, 새로운 머신러닝 모델이 COVID-19와의 전투에서 희망의 등불로 부상했습니다. 바이러스가 제기하는 고유한 도전을 인식하여, Natanov과 그의 팀은 COVID-19의 효과가 다른 호흡기 질환과 비교하여 abnormality를 해결하고자 했습니다.

PLABAC(혈소판 수, 락테이트, 연령, 혈중 요소 질소, 아스파테이트 아미노전이효소, C-반응성 단백질)로 알려진 6가지 중요한 변수는 COVID-19 사례에서 사망 가능성의 주요 지표로 확인되었습니다. 이전 연구들이 종종 병원 실험실에서 즉시 이용 가능한 기술에 의존했던 것과 달리, Rutgers 연구원들은 팬데믹 정점에 Robert Wood Johnson University Hospital에서 900건 이상의 사례에서 데이터를 수집했습니다.

나타노프는 CURB-65와 같은 기존 폐렴 모델의 한계를 고려할 때, 효율적이고 접근 가능한 COVID-19 전용 모델의 필요성을 강조했습니다. 77개 변수를 포함한 여러 모델을 엄격하게 테스트한 결과, PLABAC가 가장 예측력이 높은 변수 세트로 부상했습니다.

병원들에게 이 모델의 도입은 환자 돌봄 방식의 혁명적인 변화를 의미합니다. 나타노프는 이 모델이 입원 시 incoming 환자를 객관적으로 분석하여 의사가 환자의 특정 상태에 맞춰 돌봄을 맞춤화할 수 있는 능력을 강조했습니다. 이는 COVID-19의 예측 불가능성이 상존하는 새로운 변이 등장 시 특히 중요합니다.

나타노프 팀의 박사 과정 학생이자 연구원인 바이론 아비아이는 대규모 데이터 수집 및 환자 차트 분석에서 이 프로젝트의 중요성을 강조했습니다. 1년 반에 걸쳐 정교하게 다듬어진 이 데이터 수집 방법은 향후 다양한 질병에 적용될 가능성을 지니고 있습니다. 아비아이는 장기 COVID 및 그 결정 요인을 관찰하기 위해 연구 범위를 확장할 잠재력을 상상했습니다.

지속적인 모니터링의 중요성

루트거스 대학의 연구팀이 이 이정표를 기념하며, 그들은 끊임없이 진화하는 바이러스의 본질이 제기하는 지속적인 과제를 인정합니다. 아비아이는 바이러스의 지속적인 돌연변이를 지적하며 의료 제공자의 밀접한 모니터링의 중요성을 강조했습니다. 특히, 논의는 오미크론 변이의 독특한 특징으로 전환되었으며, 이는 기존 변이보다 임산부를 더 많이 표적으로 삼는 경향을 강조했습니다.

나타노프는 PLABAC 모델이 병원으로 도입되어 가족들이 사랑하는 사람의 상태를 더 정확하게 평가할 수 있기를 희망했습니다. 연구팀은 COVID-19를 임상적 실체로 연구하는 데 전념하며, 다양한 의료 환경에서 이 모델이 광범위한 긍정적 영향을 미칠 잠재력을 인식하고 있습니다.

Rutgers 연구원들의 6가지 요소 머신러닝 모델은 COVID-19 팬데믹과의 지속적인 전투에서 상당한 진전을 나타냅니다. 병원들이 계속 진화하는 변이와 잠재적인 중첩 유행의 도전에 직면하는 가운데, 이러한 예측 모델의 구현은 환자 관리에 더 효율적이고 맞춤화된 접근 방식을 약속합니다. 이 혁신적인 접근 방식은 현재 팬데믹 도전의 복잡성을 탐색하는 데 도움이 될 뿐만 아니라 미래의 전염병 관리에 대한 희망의 등불로 서 있으며, 의료 전략의 paradigm shift를 표시합니다.