Sebuah tim peneliti dari Johns Hopkins Medicine dan The Johns Hopkins University telah membuat dan menguji awal model statistik pembelajaran mesin yang menggunakan data dari catatan kesehatan elektronik akan segera dapat memprediksi siapa yang secara alami kebal terhadap infeksi oleh SARS-CoV-2 , virus penyebab COVID-19. Kredit: ME Newman, Johns Hopkins Medicine, menggunakan gambar domain publik, termasuk mikrograf elektron dari infeksi SARS-CoV-2 milik National Institute of Allergy and Infectious Diseases
Para peneliti dari Johns Hopkins Medicine dan The Johns Hopkins University telah membuat dan menguji terlebih dahulu apa yang mereka yakini sebagai salah satu model pertama untuk memprediksi siapa yang memiliki kemungkinan tertinggi untuk menjadi kebal terhadap COVID-19 meskipun terpapar SARS-CoV-2, virus yang menyebabkannya.
Studi ini dilaporkan online hari ini di jurnal PLOS ONE.
“Jika kita dapat mengidentifikasi orang mana yang secara alami dapat menghindari infeksi oleh SARS-CoV-2, kita mungkin dapat mempelajari—selain faktor sosial dan perilaku—perbedaan genetik dan lingkungan mana yang memengaruhi pertahanan mereka terhadap virus,” kata lead penulis studi Karen (Kai-Wen) Yang, seorang mahasiswa pascasarjana teknik biomedis di Translational Informatics Research and Innovation Lab di The Johns Hopkins University. “Wawasan itu dapat mengarah pada tindakan pencegahan baru dan perawatan yang lebih bertarget.”
Untuk studinya, tim peneliti menentukan apakah model statistik pembelajaran mesin dapat menggunakan karakteristik kesehatan yang disimpan dalam catatan kesehatan elektronik—menyediakan data pasien seperti komorbiditas (kondisi medis lainnya) dan obat yang diresepkan—sebagai sarana untuk menentukan orang dengan kemampuan alami untuk menghindari infeksi SARS-CoV-2. Orang-orang itu, kata Yang, kemudian dapat dipelajari untuk lebih memahami faktor-faktor yang memungkinkan perlawanan mereka.
Model pembelajaran mesin adalah program atau sistem komputer yang menggunakan algoritme matematika untuk menemukan pola statistik, lalu menerapkan pola tersebut ke depannya. Ini memberi sistem seperti itu kemampuan untuk meniru pemikiran dan penalaran manusia, dan mirip dengan otak, belajar dari waktu ke waktu.
“Menggunakan sistem pembelajaran mesin untuk mengenali pola kompleks pada sejumlah besar orang dengan COVID-19 memungkinkan tim peneliti Johns Hopkins Medicine lainnya pada tahun 2021 untuk memprediksi perjalanan kasus pasien individu dan menentukan kemungkinan bahwa itu akan menjadi parah,” kata rekan penulis studi senior Stuart Ray, MD, wakil ketua kedokteran untuk integritas data dan analitik, dan profesor kedokteran di Fakultas Kedokteran Universitas Johns Hopkins. Berdasarkan keberhasilan mereka, tim kami bertanya-tanya apakah pendekatan yang sama juga dapat diterapkan untuk memprediksi siapa yang dapat terpapar SARS-CoV-2 dalam jarak dekat dan masih belum terinfeksi.”
Untuk menunjukkan kemampuan model dalam memprediksi resistensi COVID-19, para peneliti pertama-tama memperoleh data dari registri klinis yang disebut Johns Hopkins COVID-19 Precision Medicine Analytics Platform Registry (JH-CROWN). Registri berisi informasi untuk pasien yang terlihat dalam Sistem Kesehatan Johns Hopkins yang dicurigai atau dikonfirmasi memiliki infeksi SARS-CoV-2.
Untuk studi resistensi mereka, para peneliti hanya memasukkan individu yang menerima tes COVID-19 antara 10 Juni 2020 dan 15 Desember 2020, dan yang melaporkan “potensi paparan virus” sebagai alasan pengujian.
Tanggal berakhir adalah titik dimulainya upaya vaksinasi COVID-19 skala besar di Amerika Serikat. Memilih tanggal ini, kata para peneliti, memungkinkan mereka untuk menghindari efek pada temuan mereka tentang vaksin yang mencegah infeksi daripada resistensi alami.
8.536 peserta studi yang melaporkan paparan sebagai alasan mereka untuk menjalani tes COVID dibagi menjadi dua kelompok: mereka yang tidak berbagi tempat tinggal (disebut “rumah tangga” dalam penelitian ini) dengan pasien COVID-19 mana pun atau yang tempat tinggalnya memiliki 10 orang atau lebih. pasien; dan mereka yang berbagi tempat tinggal dengan 10 orang atau kurang, dengan setidaknya satu orang adalah pasien COVID-19. Kelompok pertama, dengan 8.476 peserta, ditetapkan sebagai Perangkat Pelatihan dan Pengujian, sedangkan kelompok kedua, disebut Perangkat Indeks Rumah Tangga (HHI), memiliki 60 anggota, dan digunakan sebagai perangkat pengujian terpisah.
Menjaga jumlah rumah tangga menjadi 10 atau kurang, kata para peneliti, mengecualikan orang yang tinggal di kompleks apartemen, asrama, dan tempat tinggal multi-unit dengan kepadatan lebih tinggi lainnya di mana paparan terhadap orang tertentu yang positif SARS-CoV-2 akan kurang intens.
Untuk mengidentifikasi pola dan peserta klaster sehingga mereka yang secara alami kebal terhadap SARS-CoV-2 menonjol, kedua set studi dianalisis menggunakan algoritma Maximal-frequent All-confident pattern Selection Pattern-based Clustering (MASPC). MASPC dirancang khusus untuk analisis data catatan kesehatan elektronik yang menggabungkan informasi demografis pasien (usia, jenis kelamin, dan ras), kode diagnostik medis Klasifikasi Statistik Internasional Penyakit dan Masalah Kesehatan Terkait (ICD) yang relevan dengan setiap kasus, pesanan pengobatan rawat jalan, dan nomor komorbiditas (penyakit lain) yang ada.
“Kami berhipotesis bahwa MASPC akan memungkinkan kami untuk mengelompokkan pasien dengan pola serupa dalam data mereka untuk menentukan mereka sebagai resisten dan tidak resisten terhadap SARS-CoV-2, dan dengan harapan algoritme akan belajar dengan setiap analisis bagaimana meningkatkan akurasi. dan keandalan tugas di masa depan,” kata Ray. “Studi awal yang menggunakan data JH-CROWN ini dilakukan untuk menghidupkan hipotesis tersebut, uji coba pembuktian konsep dari model statistik kami untuk menunjukkan bahwa resistensi terhadap COVID-19 dapat diprediksi berdasarkan profil klinis dan demografis pasien.”
“Dalam Set Pelatihan dan Pengujian, kami mengidentifikasi 56 pola kode ICD yang dibagi menjadi dua kelompok: terkait dengan resistensi atau tidak terkait,” kata Yang. “Analisis statistik tentang seberapa baik pola-pola ini membedakan antara resistensi dan non-resistensi menghasilkan lima pola yang melakukan pekerjaan terbaik untuk kami yang kecil dan terlokalisasi. [Baltimore-Washington, D.C., metroplex] populasi studi untuk menentukan siapa yang paling mungkin terpapar SARS-CoV-2.”
“Mencari pola-pola ini di HHI Set — individu yang paling mungkin terpapar SARS-CoV-2 dalam jarak dekat — dan kemudian menganalisis hasilnya secara statistik, kinerja terbaik model kami adalah 0,61,” kata Ray. “Karena skor 0,5 hanya menunjukkan hubungan kebetulan antara prediksi dan kenyataan, dan 1 adalah hubungan 100%, ini menunjukkan model menjanjikan sebagai alat untuk mengidentifikasi orang dengan resistensi COVID-19 yang dapat dipelajari lebih lanjut,” kata Ray.
Keterbatasan penelitian, kata Ray, termasuk potensi bias dari pelaporan diri paparan COVID-19 oleh peserta, jumlah kecil peserta dalam kelompok HHI, kemungkinan peserta dites SARS-CoV-2 menggunakan kit rumahan atau di fasilitas di luar sistem Johns Hopkins (dan oleh karena itu, tes tidak dicatat dalam database JH-CROWN), dan jangka waktu singkat dari penelitian itu sendiri. Dia menambahkan bahwa jejak masa depan menggunakan data pasien nasional diperlukan untuk memvalidasi kemampuan model.
Bersama Yang dan Ray, anggota tim studi dari Johns Hopkins Medicine dan Johns Hopkins University adalah mahasiswa pascasarjana dan sarjana Yijia Chen, Jacob Desman, Kevin Gorman, Chloé Paris, Ilia Rattsev, Tony Wei dan Rebecca Yoo; dan rekan penulis senior fakultas Joseph Greenstein dan Casey Overby Taylor.
Informasi lebih lanjut: Kai-Wen K. Yang et al, Faktor yang terkait dengan resistensi terhadap infeksi SARS-CoV-2 ditemukan menggunakan data rekam medis skala besar dan pembelajaran mesin, PLOS ONE (2023). DOI: 10.1371/journal.pone.0278466
Disediakan oleh Fakultas Kedokteran Universitas Johns Hopkins
Kutipan: Tim peneliti membuat model statistik untuk memprediksi resistensi COVID-19 (2023, 22 Februari) diambil 22 Februari 2023 dari https://medicalxpress.com/news/2023-02-team-statistical-covid-resistance.html
Dokumen ini tunduk pada hak cipta. Terlepas dari kesepakatan yang adil untuk tujuan studi atau penelitian pribadi, tidak ada bagian yang boleh direproduksi tanpa izin tertulis. Konten disediakan untuk tujuan informasi saja.