nouvelle Edition
lundi 16 mai 2022
À l’aide de l’apprentissage automatique, les chercheurs trouvent des modèles dans les données des dossiers de santé électroniques pour mieux identifier les personnes susceptibles d’être atteintes de la maladie.
Une équipe de recherche soutenue par les National Institutes of Health a identifié les caractéristiques des personnes atteintes de COVID à long terme et de celles qui sont susceptibles de l’avoir eu. Les scientifiques, utilisant des techniques d’apprentissage automatique, ont analysé l’ensemble sans précédent de dossiers de santé électroniques (DSE) disponibles pour la recherche sur le COVID-19 afin de mieux déterminer qui a le COVID depuis longtemps. Explorer les données DSE qui ne sont pas spécifiées dans Groupe coopératif national COVID (N3C), une base de données publique nationale centrale dirigée par le National Center for the Advancement of Translational Sciences (NCATS) des National Institutes of Health, l’équipe a utilisé les données pour trouver plus de 100 000 cas probables de COVID à long terme en octobre 2021 (en date du mai 2022, le nombre était supérieur à 200 000). Les résultats apparaissent dans La santé numérique The Lancet.
Le COVID-19 à long terme se caractérise par des symptômes répandus, notamment un essoufflement, de la fatigue, de la fièvre, des maux de tête, un « brouillard cérébral » et d’autres problèmes neurologiques. Ces symptômes peuvent persister plusieurs mois ou plus après le diagnostic initial de COVID-19. L’une des raisons pour lesquelles le COVID a été si difficile à identifier pendant si longtemps est que bon nombre de ses symptômes sont similaires à ceux d’autres maladies et affections. Une meilleure caractérisation du COVID-19 peut conduire à un pronostic amélioré et à de nouvelles approches thérapeutiques.
« Il est logique de tirer parti des outils modernes d’analyse de données et d’une ressource de mégadonnées unique telle que N3C, où de nombreuses fonctionnalités de longue date de COVID peuvent être représentées », a déclaré la co-auteure Emily Pfaff, PhD, scientifique en information clinique. à l’Université. De Caroline du Nord à Chapel Hill.
La poche de données N3C comprend actuellement des informations représentant plus de 13 millions de personnes dans tout le pays, dont près de 5 millions de cas positifs de COVID-19. La ressource permet une recherche rapide sur les questions émergentes concernant les vaccins, les traitements, les facteurs de risque et les résultats pour la santé contre la COVID-19.
La nouvelle recherche fait partie d’une initiative plus large à travers les National Institutes of Health, Recherche COVID pour favoriser la récupération (récupération), qui vise à améliorer la compréhension des effets à long terme du COVID-19, appelés séquelles post-aiguës de l’infection par le SRAS-CoV-2 (PASC). RECOVER identifiera avec précision les personnes atteintes du PASC et développera des approches de prévention et de traitement. Le programme répondra également à d’importantes questions de recherche sur les effets à long terme du COVID par le biais d’essais cliniques, d’études d’observation longitudinales, etc.
dans le Lancette Study, Pfaff, Melissa Heindel, PhD, du campus médical d’Anschutz de l’Université du Colorado, et ses collègues ont examiné la démographie des patients, l’utilisation des soins de santé, les diagnostics et les médicaments dans les dossiers de santé de 97 995 patients adultes atteints de COVID-19 dans N3C. Ils ont utilisé ces informations, ainsi que les données de près de 600 patients COVID à long terme de trois cliniques COVID à long terme, pour créer trois modèles d’apprentissage automatique pour identifier les patients COVID à long terme.
Dans l’apprentissage automatique, les scientifiques « entraînent » des méthodes de calcul pour passer rapidement au crible de grandes quantités de données afin de révéler de nouvelles informations – dans ce cas, sur le long COVID. Les modèles ont recherché des modèles dans les données qui pourraient aider les chercheurs à comprendre les caractéristiques des patients et à mieux identifier les personnes atteintes de la maladie.
Les modèles se sont concentrés sur l’identification des patients COVID potentiels à long terme parmi trois groupes de la base de données N3C : tous les patients COVID-19, les patients hospitalisés avec COVID-19 et les patients qui avaient COVID-19 mais n’ont pas été hospitalisés. Les modèles se sont avérés exacts, car les personnes identifiées comme à risque prolongé de COVID étaient similaires aux patients vus dans de longues cliniques COVID. Les systèmes d’apprentissage automatique ont classé près de 100 000 patients dans la base de données N3C dont les profils étaient identiques à ceux ayant une épidémie prolongée de COVID-19.
Josh Wessel, MD, PhD, conseiller clinique principal au NCATS et un programme scientifique de premier plan dans Recover, a déclaré. « Existait-il quelque chose de différent chez ces personnes bien avant qu’elles n’aient le COVID ? Présentent-elles certains facteurs de risque ? Y avait-il quelque chose dans la façon dont ils ont été traités pendant le COVID aigu qui pourrait augmenter ou diminuer le risque d’infection à long terme par le COVID ? »
Les modèles ont recherché des caractéristiques communes, y compris de nouveaux médicaments, des visites chez le médecin et de nouveaux symptômes, chez les patients avec un diagnostic positif de COVID qui étaient au moins 90 jours après une infection aiguë. Les modèles ont identifié les patients comme ayant un COVID prolongé s’ils se rendaient dans une clinique COVID prolongée ou présentaient des symptômes COVID prolongés et souffraient probablement de la maladie mais n’avaient pas été diagnostiqués.
« Nous voulons intégrer les nouveaux modèles que nous voyons avec le code de diagnostic COVID et les inclure dans nos modèles pour essayer d’améliorer leurs performances », a déclaré Haendel de l’Université du Colorado. « Les modèles peuvent apprendre d’un plus grand groupe de patients et devenir plus précis. Nous espérons que nous pourrons utiliser notre long classificateur de patients COVID pour recruter des participants aux essais cliniques. »
Cette étude a été financée par le NCATS, qui a contribué à la conception, à la maintenance et à la sécurité de l’enclave N3C, et la NIH RECOVER Initiative, avec le soutien du NIH OT2HL161847. Recover coordonne, entre autres, le protocole de recrutement des participants auquel ce travail contribue. Des analyses ont été effectuées avec des données et des outils accessibles via NCATS Zone de données N3C . Pris en charge par NCATS U24TR002306.
À propos du Centre national pour l’avancement des sciences translationnelles (NCATS) : Le NCATS mène et soutient la recherche sur la science translationnelle et le fonctionnement – le processus par lequel les interventions d’amélioration de la santé sont développées et mises en œuvre – pour permettre à davantage de traitements d’atteindre plus de patients plus rapidement. Pour plus d’informations sur la façon dont le NCATS peut aider à raccourcir le parcours de l’observation scientifique à l’intervention clinique, visitez https://ncats.nih.gov.
À propos des Instituts nationaux de la santé (NIH) :NIH, l’agence de recherche médicale du pays, comprend 27 instituts et centres et fait partie du département américain de la Santé et des Services sociaux. Les National Institutes of Health sont la principale agence fédérale qui mène et soutient la recherche fondamentale, clinique et polymédicale, en enquêtant sur les causes, les traitements et le traitement des maladies courantes et rares. Pour plus d’informations sur les National Institutes of Health et ses programmes, visitez www.nih.gov.
National Institutes of Health … Transformer la découverte en santé®
« Évangéliste généraliste de la bière. Pionnier du café depuis toujours. Défenseur certifié de Twitter. Internetaholic. Praticien du voyage. »
More Stories
La préparatrice physique révèle les trois aliments qu'elle mange chaque jour
Petites billes en caoutchouc utilisées pour fabriquer un liquide programmable
Un dentiste découvre une ancienne mâchoire humaine incrustée dans le sol de ses parents