Исследователи Ратгерса разрабатывают новаторскую модель машинного обучения для прогнозирования тяжести COVID-19

В значительном скачке вперед в борьбе с пандемией COVID-19 исследователи из Ратгерса представили новаторскую модель машинного обучения, способную прогнозировать тяжесть случаев коронавируса. Шестифакторная модель, разработанная командой преданных своему делу ученых, предлагает новаторский подход к оценке прогноза для пациентов, позволяя осуществлять более персонализированную и эффективную медицинскую помощь.

Прогнозирование тяжести COVID-19 с помощью шестифакторной модели машинного обучения

В недавнем исследовании, проведенном Дэвидом Натановым, студентом Медицинской школы Роберта Вуда Джонсона и главным автором проекта, появилась новая модель машинного обучения, ставшая маяком надежды в борьбе с COVID-19. Осознавая уникальные вызовы, posedные вирусом, Натанов и его команда стремились решить проблему аномальности воздействия COVID-19 по сравнению с другими респираторными заболеваниями.

Шесть критических переменных, collectively известных как PLABAC (количество тромбоцитов, лактат, возраст, азот мочевины крови, аспартатаминотрансфераза и С-реактивный белок), были определены как ключевые индикаторы вероятности летального исхода при COVID-19. В отличие от предыдущих исследований, которые часто полагались на технологии, не всегда доступные в больничных лабораториях, исследователи из Ратгерса собрали данные более чем по 900 случаям в Университетской больнице Роберта Вуда Джонсона в разгар пандемии.

Натанов подчеркнул необходимость эффективной, доступной модели, специфичной для COVID-19, учитывая ограничения более ранних моделей, таких как CURB-65, используемых для пневмонии. После тщательного тестирования нескольких моделей, включая модель с 77 переменными, PLABAC emerged as the most predictive set of variables.

Для больниц внедрение этой модели означает революционный сдвиг в уходе за пациентами. Натанов выделил ее способность объективно анализировать поступающих пациентов при поступлении, позволяя врачам адаптировать уход на основе конкретного случая пациента. Это становится особенно важным в случае новых вариантов, где непредсказуемость COVID-19 остается постоянной угрозой.

Байрон Авихай, докторант и исследователь в команде Натанова, подчеркнул значимость проекта для сбора данных в больших масштабах и анализа медицинских карт пациентов. Разработанный метод сбора данных, оттачивавшийся полтора года, обещает применение к различным заболеваниям в будущем. Авихай envision potential expansions of the study to observe long COVID and its determining factors.

Важность постоянного мониторинга

По мере того как исследовательская команда в Ратгерсе празднует эту веху, они признают продолжающиеся вызовы, posedные постоянно меняющейся природой вируса. Авихай указал на постоянные мутации вируса, подчеркивая важность тщательного мониторинга со стороны медицинских работников. Примечательно, что обсуждение перешло к уникальным характеристикам варианта Омикрон, подчеркивая его тенденцию поражать беременных больше, чем его предшественники.

Натанов выразил надежду, что модель PLABAC найдет свое место в больницах, предлагая семьям возможность более точно оценивать состояние своих близких. Команда остается приверженной изучению COVID-19 как клинической сущности, признавая потенциальное широкое положительное влияние модели в различных условиях здравоохранения.

Шестифакторная модель машинного обучения исследователей из Ратгерса представляет собой значительный шаг в продолжающейся борьбе с пандемией COVID-19. По мере того как больницы продолжают справляться с вызовами, связанными с эволюционирующими вариантами вируса и возможными перекрывающимися вспышками, внедрение таких предиктивных моделей обещает более эффективный и индивидуальный подход к уходу за пациентами. Этот инновационный подход не только помогает ориентироваться в сложностях текущих проблем пандемии, но и служит маяком надежды для будущего управления инфекционными заболеваниями, отмечая парадигмальный сдвиг в стратегиях здравоохранения.