Covid-19/ Një algoritëm falas parashikon nëse pacienti do të përkeqësohet brenda 72 orëve
Një algoritëm i ri i inteligjencës artificiale i bazuar në sistemet makinave ‘learning’ ndihmon në parashikimin se cilët pacientë me Covid-19 mund të kenë nevojë për mbështetje të frymëmarrjes dhe të pranohen në kujdesin intensiv. Një grup nga Universiteti i Kalifornisë në Irvine (Uci) e bëri të mundur këtë. Mjeti, i cili është i lehtë për t’u përdorur pasi bazohet në një test në të cilin mund të futni përgjigje, është falas dhe i disponueshëm në internet (këtu) për objektet e kujdesit shëndetësor që dëshirojnë ta thellojnë temën. Testi ofron një parashikim të përkeqësimit të pacientit individual brenda 72 orësh. Rezultatet janë botuar në revistën Plos One.
Kujdesi intensiv: për çfarë shërben algoritmi
Rezultatet janë të sakta, por ende fillestare dhe kërkojnë hetime të mëtejshme. Qëllimi është që ky mjet të mund të përdoret nga spitalet dhe organizatat e kujdesit shëndetësor – dhe jo nga mjeku individual ose profesionisti – për të vlerësuar ngarkesën në njësitë e kujdesit intensiv, për të bërë një analizë për numrin e shtretërve që mund t’u duhen dhe të devijojnë diku tjetër çdo pacient që nuk mund të shërohet. Prandaj nuk është një test i vetëvlerësimit të koronavirusit individual pozitiv në shëndetin e tyre ose të mjekut për të bërë diagnozën pasi është vetëm një vlerësim tregues, potencialisht i rëndësishëm në nivelin e të gjithë strukturës. Rezultatet e para janë të mira dhe do të duhet të thellohen nga teste të tjera për t’u vërtetuar më tej.
Studimi
Studiuesit filluan të mbledhin të dhëna për pacientët në fillim të vitit 2020, duke zhvilluar një prototip të algoritmit që në Mars dhe duke filluar testimin e tij menjëherë më pas. Algoritmi ju kërkon të futni disa informacione mbi shëndetin dhe gjendjen e pacientit, të tilla si seksi, mosha, indeksi i masës trupore, patologjitë e mëparshme, parametrat fiziologjikë, të tilla si ndryshimet në frymëmarrje (të cilat tregojnë praninë dhe ashpërsinë e dispnesë) dhe parametrat matur me analiza gjaku, siç janë niveli i inflamacionit, elementet për diagnostikimin dhe prognozën e sepsës elementë të tjerë biokimikë.
Modeli i mësimit automatik u testua duke përdorur të dhëna nga pacientët që kishin një diagnozë të Covid-19 në Mars dhe Prill 2020 – në total në më shumë se 3 mijë njerëz ka rreth 300, nga të cilët informacioni dhe historia e plotë klinike ishte në dispozicion në 89 raste. Të dhënat u kombinuan më pas me ato të një studimi të veçantë me 40 pacientë në Universitetin Emory. Ideja është që algoritmi kombinon informacionin demografik me atë mbi sëmundjet e mëparshme, të tilla si hipertensioni, astma, mbipesha dhe parametrat e tjerë të përmendur për të raportuar rastet në rrezik që të marrin ventilim mekanik dhe të futen në kujdes intensiv brenda 72 orësh.
95% i saktë
Qëllimi është që studimi të shtrihet në një numër më të madh pacientësh në mënyrë që të vërtetohet më tej ky model, i cili në këtë studim të parë ka treguar se funksionon mirë. Dhe parashikimi është i saktë në 95% të rasteve. “Ne paraqitëm një model – lexon studimin – i cili ishte në gjendje të parashikonte me saktësi rrezikun e formave kritike të Covid-19 duke përdorur bashkë sëmundje dhe në bazë të shenjave vitale dhe vlerave laboratorike”. Deri më sot, algoritmi po funksionon: profesionistët e kujdesit shëndetësor futin informacionin e kërkuar dhe marrin një parashikim të çdo përkeqësimi brenda tre ditësh.
Në Uci Health, mjeti është përdorur tashmë me sukses, duke ndihmuar mjekët të menaxhojnë dhe shpërndajnë pacientët. “Ju duhet të flisni me specialistët, me mjekët”, thekson Peter Chang, profesori i shkencave radiologjike i cili zhvilloi algoritmin së bashku me ekipin, “ju duhet të vlerësoni sa shtretër janë në dispozicion dhe të punoni me grupin tuaj për të vlerësuar se si dëshironi ta përdorni atë. “. Hapat e ardhshëm do të përfshijnë përfshirjen e institucioneve të tjera dhe ecjen përpara me eksperimentimin. (Wired)
Edel Strazimiri / SCAN
*Material i përgatitur nga portali SCAN. Ripublikimi mund të bëhet vetëm kundrejt citimit të autorësisë dhe burimit origjinal.