به گزارش همشهری آنلاین به نقل از ایسنا، همهگیری کووید ۱۹ بیش از ۱۰۰ میلیون نفر را در سراسر جهان آلوده کرده و سیستمهای اقتصادی و بهداشتی را به شدت تحت فشار قرار داده است.
به دلیل تعداد زیاد بیماران، پرسنل پزشکی خسته و محدود و منابع پزشکی ناکافی، شناسایی سریع بیماران مبتلا به کووید ۱۹ که در خطر مرگومیر بالا قرار دارند، بسیار مهم است تا بتوان میزان مرگومیر این بیماران را کاهش داد.
در این بیماران، تجویز داروهای مناسب بر اساس وضعیت بیمار و مراقبتهای ویژه و به موقع ضروری است. اما اغلب پزشکان قادر به پیشبینی دقیق وضعیت بیماران مبتلا به کووید ۱۹ نیستند.
به همین دلیل نیاز به یک سیستم دقیق و سریع برای پیشبینی مرگومیر این بیماران وجود دارد و مدلسازی آماری و روشهای یادگیری ماشین میتواند در تشخیص الگوهای پیچیده کمک کند.
یکی از روشها برای پیشبینی وضعیت بیماران مبتلا به کووید-۱۹، استفاده از تصاویر سیتی اسکن ریه بیماران است و با استفاده از هوش مصنوعی بر اساس شدت درگیری ریه، وضعیت بیماران پیشبینی میشود. ولی تصاویر سیتی اسکن در مراحل اولیه اطلاعات کافی برای پیشبینی وضعیت بیمار ندارند و همچنین اشعه ایکس دارای عوارض جانبی است.
ارائه سیستم جدید پیشبینی مرگ بیماران کرونا
بر همین اساس پژوهشگران دانشگاه علوم پزشکی شهید بهشتی، یک سیستم جدید ارائه دادند که بر اساس آن با استفاده از اطلاعات جمعیتشناختی بیماران، علائم حیاتی و دادههای آزمایشگاهی خون، وضعیت بیماران مبتلا به کووید ۱۹ از نظر مرگ یا زنده ماندن پیشبینی شود.
در این مطالعه که بر روی ۲۴۴ بیمار در بیمارستان مسیح دانشوری انجام شد، اطلاعات مورد نیاز که معمولاً در روز اول مراجعه بیماران به بیمارستان جمعآوری میشود، مورد بررسی قرار گرفت.
برای پیشبینی نتایج مرگومیر، دو گروه نجاتیافته و مرگ تعریف شد. گروه نجاتیافته بیمارانی مبتلا به کووید ۱۹ بودند که پس از اتمام درمان مرخص شدند و دو نتیجه PCR منفی پیاپی داشتند. گروه مرگ نیز شامل بیمارانی بود که در هر مرحله از دوره درمان، فوت کرده بودند. در مجموع ۱۱۵ بیمار (حدود ۴۷ درصد) به عنوان مرگ و ۱۲۹ بیمار (حدود ۵۳ درصد) به عنوان نجاتیافته دستهبندی شدند.
دادههایی از قبیل اطلاعات جمعیتشناختی مانند سن و جنسیت، سابقه بیماری، علائم حیاتی و نتایج آزمایش خون شامل تستهای شمارش کامل خون، انعقاد، کلیه، کبد، گاز خون و ... در هشت گروه طبقه بندی شدند و مورد بررسی قرار گرفتند.
نتایج این بررسی نشان داد که در گروه ویژگیهای شمارش سلولهای خون مواردی مانند RDW (عرض توزیع گلبولهای قرمز)، MCH (میانگین هموگلوبین)، MCHC (میانگین غلظت هموگلوبین هر ذره) و MCV (میانگین حجم هر ذره) بیشترین توانایی پیشبینی را داشتند. همچنین Spo۲ یا فشار جزئی اکسیژن در علایم حیاتی دارای قدرت پیشبینی زیادی بود.
در این مطالعه عنوان شد که ترکیب ویژگیهای شمارش کامل سلولهای خونی، علائم حیاتی و گروههای انعقادی دارای بالاترین قدرت پیشبینی مرگومیر (بیش از ۹۶ درصد) است.
پژوهشگران این تحقیق میگویند که پزشکان میتوانند با استفاده از نتایج این تحقیق و بررسی این ویژگیها در بیماران، تصمیمات آسانتر و دقیقتری برای پیشبینی نتیجه مرگ و میر بیماران کووید ۱۹ اتخاذ کنند.
محدودیتهای مطالعه
به گفته این محققان، در این مطالعه چندین محدودیت نیز وجود داشت. جمعیت بیماران مبتلا به کووید ۱۹ در این مطالعه به نسبت کم بود و نتایج باید با مطالعات با جمعیت بیشتر از اقوام مختلف تأیید شود. همچنین دادههای آزمایشگاهی نیاز به نمونهگیری خون به صورت تهاجمی دارد و بسیاری از مراکز بهداشتی کوچکتر به تجهیزات آزمایشگاهی دسترسی ندارند. در نهایت، بار زیاد بیمار و کمبود تجهیزات میتواند مانع از دسترس بودن و دقت آزمایش خون شود.
در انجام این تحقیق احمد شالباف، نسرین امینی، هادی چوبدار، مهدی مهدوی، عاطفه عابدینی و رضا لشکری؛ پژوهشگران دانشگاه علوم پزشکی شهید بهشتی با یکدیگر مشارکت داشتند.
این مطالعه حاصل بخشی از طرح تحقیقاتی «پیشبینی میزان شدت بیماری کووید ۱۹ با استفاده از روشهای پیشرفته هوش مصنوعی» است که در سال ۱۴۰۰ با حمایت دانشکده پزشکی دانشگاه علوم پزشکی شهید بهشتی، اجرا شده ا ست.
یافتههای این مطالعه اسفندماه سال جاری، به صورت مقاله علمی با عنوان «پیشبینی زودهنگام خطر مرگومیر بیماران مبتلا به کووید ۱۹ بر اساس ویژگیهای دموگرافی، علائم حیاتی و آزمایشگاهی» در مجله دانشکده پزشکی دانشگاه علوم پزشکی تهران منتشر شده است.
نظر شما