Назад
В больницах, где результаты молекулярного тестирования КОВИД-19 могут занять до нескольких дней, этот новый метод выявления потенциально инфицированных пациентов может улучшить прогнозирование.
Разочарованные нехваткой необходимых тестов COVID-19, а также необходимостью ожидания результата коронавирусного теста, исследователи компании Weill Cornell Medicine создали алгоритм искусственного интеллекта (ИИ), который может использовать данные рутинных клинических лабораторных тестов для определения того, заражен ли пациент атипичной пневмонией SARS-CoV-2.
Это важное событие, так как длительность рабочего цикла (TAT) для обычных лабораторных тестов, как правило, гораздо короче, чем молекулярная диагностика КОВИД-19 - например, обратная транскрипционная полимеразная цепная реакция (RT-PCR) в режиме реального времени, в настоящее время наиболее популярный коронавирусный тест и, конечно же, серологическая (антитела) диагностика, требующая ожидания инкубационного периода до 10-14 дней перед тестированием.
Некоторые диагностические тесты RT-PCR на КОВИД-19, которые обнаруживают вирусную РНК в образцах носоглоточного мазка, могут занять до нескольких дней, в зависимости от теста и местонахождения лаборатории. Но обычные лабораторные медицинские тесты, как правило, занимают гораздо меньше времени, их результаты часто можно получить в течение нескольких минут или часов, что делает их потенциально полезными для сортировки инфицированных пациентов.
Прогресс в использовании ИИ в здравоохранении привел к разработке алгоритмов машинного обучения, которые используются в качестве диагностических средств в патологической анатомии, рентгенологии и для отдельных сложных заболеваний, таких как рак. Ученые компании Weill Cornell хотели выяснить, могут ли результаты альтернативных лабораторных тестов быть использованы в алгоритмической модели для идентификации людей, инфицированных коронавирусом SARS-CoV-2.
Для проведения исследования ученые включили возраст, пол и расу пациентов в модель машинного обучения, которая была основана на результатах 27 стандартных лабораторных тестов, выбранных из общей сложности 685 различных тестов. В исследовании приняли участие 3356 пациентов, которые были протестированы на SARS-CoV-2 в Нью-йоркском пресвитерианском госпитале в период с 11 марта по 29 апреля этого года. Возраст пациентов варьировал от 18 до 101 года, средний возраст составил 56,4 года. Из них 1 402 пациента имели положительный результат РТ-ПЦР, а остальные 1 954 - отрицательный результат.
Используя метод машинного обучения, известный как градиентный бустинг, алгоритм выявил инфекции SARS-CoV-2 с 76%-ой чувствительностью и 81%-ой специфичностью. При обследовании только пациентов отделения экстренной помощи (ED), модель показала еще лучшие результаты с 80% чувствительностью и 83% специфичностью. Пациенты ED составляли чуть больше половины (54%) пациентов, взятых в исследование.
Алгоритм также правильно определил пациентов, у которых изначально тест на КОВИД-19 был отрицательным, но при повторном тестировании через два дня тест был положительным. По словам исследователей, эти результаты показали, что их модель потенциально может снизить количество ошибочных результатов тестирования.
"Мы полагаем, что потенциально ложноотрицательные пациенты могут продемонстрировать профиль лабораторных тестов, который может указывать на то, что тест должен быть положительным", - сказала Фей Ванг старший автор исследования. "Это дает нам шанс выявить тех пациентов, которые являются ложно-отрицательными".
Исследователи подтвердили свою модель, сравнив результаты с пациентами, наблюдавшимися в Нью-йоркском пресвитерианском госпитале Нижнего Манхэттена за тот же период времени. Среди этих пациентов 496 были положительными на RT-PCR и 968 - отрицательными, а алгоритмическая модель была выполнена с 74% специфичностью и 76% чувствительностью.
В своем исследовании, опубликованном в Оксфордском академическом журнале "Clinical Chemistry" и озаглавленном "Обычные лабораторные анализы крови предсказывают инфекцию SARS-CoV-2 с помощью машинного обучения", ученые компании Weill Cornell Medicine пришли к выводу, что их исследования иллюстрируют алгоритм, который может быть использован для:
- предварительной идентификации пациентов с высоким риском заражения SARS-CoV-2 до получения результатов RT-PCR
- стратификации пациентов в ED,
- отборе пациентов, которые нуждаются в относительно срочном повторном тестировании, если исходные результаты RT-PCR отрицательны
- раннего изолирования инфицированных пациентов
- помощи в выявлении инфицированных SARS-CoV-2 пациентов в районах, где из-за финансовых ограничений или ограничений в поставках RT-PCR-тестирование недоступно.
Это исследование является примером того, как исследователи в области ИИ и информатики работают над тем, чтобы привнести новые инструменты и диагностические возможности в клинические лаборатории. Кроме того, это демонстрация того, как можно получить результаты множества других видов лабораторных тестов, анализируя их с помощью ИИ и аналогичных аналитических алгоритмов для диагностики состояния здоровья, не связанного с изначальными причинами проведения этих тестов.
Если это можно подтвердить на примере других заболеваний и состояний здоровья, то это откроет еще один путь, благодаря которому патологи и клинические лабораторные специалисты смогут внести свой вклад в более точную диагностику и более качественный подбор наиболее подходящих методов лечения для отдельных пациентов.
