Один образец крови тяжелобольного пациента с COVID-19 может быть проанализирован с помощью модели машинного обучения, которая использует белки плазмы крови для прогнозирования выживания за несколько недель до исхода, согласно новому исследованию, опубликованному на этой неделе в журнале открытого доступа PLOS Digital . Health Флориана Курта и Маркуса Ральзера из Charité — Universitätsmedizin Berlin, Germany, и их коллег.
Системы здравоохранения во всем мире изо всех сил пытаются принять большое количество тяжелобольных пациентов с COVID-19, которым требуется особая медицинская помощь, особенно если они относятся к группе высокого риска. Клинически установленные оценки риска в области интенсивной терапии, такие как SOFA или APACHE II, демонстрируют лишь ограниченную надежность в прогнозировании будущих исходов заболевания для COVID-19.
В новом исследовании исследователи изучили уровни 321 белка в образцах крови, взятых в 349 точках времени у 50 пациентов с COVID-19 в критическом состоянии, находящихся на лечении в двух независимых медицинских центрах в Германии и Австрии. Подход машинного обучения был использован для поиска связи между измеренными белками и выживаемостью пациентов.
15 пациентов в когорте умерли; среднее время от госпитализации до смерти составило 28 дней. Для выживших пациентов среднее время госпитализации составило 63 дня. Исследователи выявили 14 белков, которые со временем изменились в противоположных направлениях у выживших пациентов по сравнению с пациентами, которые не выжили в реанимации. Затем команда разработала модель машинного обучения для прогнозирования выживаемости на основе одновременных измерений соответствующих белков и протестировала модель на независимой проверочной когорте из 24 пациентов с COVID-10 в критическом состоянии. Модель продемонстрировала высокую прогностическую силу в этой когорте , правильно предсказав исход для 18 из 19 пациентов, которые выжили, и 5 из 5 пациентов, которые умерли (AUROC = 1,0, P = 0,000047).
Исследователи пришли к выводу, что тесты на белок крови , если они будут подтверждены в более крупных группах, могут быть полезны как для выявления пациентов с самым высоким риском смертности, так и для проверки того, меняет ли данное лечение прогнозируемую траекторию развития отдельного пациента.
