رویکردهای یادگیری ماشین برای پیش‌بینی نیاز به بستری در بخش مراقبت‌های ویژه در میان بیماران ایرانی مبتلا به کووید-19 بر اساس کدهای ICD-10
در دسامبر 2019، یک ویروس کرونای جدید به نام SARS-CoV-2 در ووهان، چین پدیدار شد و به‌سرعت در سراسر جهان گسترش یافت و منجر به همه‌گیری کووید-19 شد. بر اساس گزارش سازمان بهداشت جهانی (WHO)، تا ماه مه 2023، تعداد 764991756 مورد تأییدشده کووید-19 با 6931081 مورد مرگ در سراسر جهان گزارش شده است. در ایران نیز در همین بازه زمانی، تعداد 7609922 مورد تأییدشده و 146165 مورد مرگ ناشی از کووید-19 ثبت شده است. سازمان بهداشت جهانی اعلام کرده است که کووید-19 دیگر یک "وضعیت اضطراری بهداشت جهانی" نیست، اما همچنان یک تهدید جدی برای سلامت جهانی محسوب می‌شود.
کووید-19 عمدتاً از طریق قطرات تنفسی و تماس نزدیک منتقل می‌شود، که این امر آن را بسیار مسری و کنترل آن را دشوار می‌سازد. علائم کووید-19 می‌تواند بسیار متنوع باشد؛ برخی افراد تنها علائم خفیف تا متوسط را تجربه می‌کنند، در حالی که برخی دیگر نیاز به بستری شدن در بیمارستان دارند. مطالعات نشان داده‌اند که نرخ مرگ‌ومیر در عفونت‌های کووید-19 حدود 0.66 درصد است که این نرخ از 0.04 درصد در افراد زیر ده سال تا 16.6 درصد در افراد بالای 70 سال متغیر است و از هر پنج بیمار کووید-19 بالای 80 سال، یک نفر نیاز به بستری در بیمارستان دارد.
در دوران همه‌گیری کووید-19، به دلیل طبیعت بسیار مسری بیماری، تقاضا برای بخش مراقبت‌های ویژه (ICU) به‌طور چشمگیری افزایش یافته است. مطالعات تخمین می‌زنند که 5 تا 32 درصد از بیماران مبتلا به کووید-19 نیاز به مراقبت در ICU دارند. عوامل مختلفی از جمله سن، جنسیت و بیماری‌های زمینه‌ای در شدت بیماری و بستری شدن در ICU نقش دارند. بیماران مبتلا به کووید-19 شدید ممکن است دچار نارسایی حاد کلیه، سندرم دیسترس تنفسی حاد (ARDS)، میوکاردیت و شوک قلبی شوند. این بیماران معمولاً در ICU بستری می‌شوند، که این امر می‌تواند نرخ مرگ‌ومیر را کاهش دهد.
شناسایی به‌موقع بیماران نیازمند بستری در بخش مراقبت‌های ویژه (ICU) می‌تواند جان بیماران را نجات دهد. به همین منظور زهرا کریمی و همکاران مطالعه ای با هدف مقایسه الگوریتم‌های مختلف یادگیری ماشین برای پیش‌بینی نیاز به بستری در ICU در بیماران مبتلا به کووید-19 انجام دادند.
در این مطالعه تمام بیماران مبتلا به کووید-19 را در شش بیمارستان دانشگاهی در تهران که جمعیت مطالعه را تشکیل می‌دادند، بررسی شدند. در مجموع 44112 بیمار مبتلا به کووید-19 (با سن 18 سال و بالاتر) در مطالعه وارد شدند که از این تعداد، 7722 بیمار بستری بودند. از الگوریتم Random Forest برای انتخاب متغیرهای مهم استفاده شد. سپس، مدل‌های پیش‌بینی با استفاده از الگوریتم‌های:
Support Vector Machine
Naïve Bayes
logistic regression
lightGBM
decision tree
K-Nearest Neighbor
توسعه داده شدند. برای مقایسه عملکرد پیش‌بینی مدل‌های مختلف از معیارهای حساسیت، ویژگی، دقت، امتیاز F1 و مساحت زیر منحنی مشخصه عملکرد (AUC) استفاده شد.
بر اساس الگوریتم جنگل تصادفی، پیش‌بینی‌کننده‌های زیر انتخاب شدند: سن، بیماری قلبی، سرفه، فشار خون بالا، دیابت، آنفولانزا و ذات‌الریه، سرطان و بیماری‌های سیستم عصبی.
نتایج این مطالعه که در مجله ی Health Science Reports در سال 2024 به چاپ رسید نشان داد که سن قوی‌ترین ارتباط را با بستری در ICU در بیماران مبتلا به کووید-19 دارد. هر شش مدل به AUC بیش از 0.60 دست یافتند اما الگوریتم Naïve Bayes بهترین عملکرد پیش‌بینی را با AUC برابر 0.71 نشان داد.
الگوریتم‌های Naïve Bayes و lightGBM نتایج امیدوارکننده‌ای در پیش‌بینی نیاز به بستری در ICU در بیماران مبتلا به کووید-19 نشان دادند. مدل‌های یادگیری ماشین می‌توانند به شناسایی سریع بیماران پرخطر هنگام ورود کمک کرده و باعث کاهش مرگ‌ومیر و بیماری‌زایی در بیماران مبتلا به کووید-19 شوند.
ارسال نظر