Επιστήμονες ανέπτυξαν έναν αλγόριθμο για τον εντοπισμό ατόμων που κινδυνεύουν περισσότερο να πεθάνουν από COVID όταν νοσηλεύονται σε νοσοκομείο.
Σύμφωνα με το Sky News, ο Πρόβλεψη Έκβασης Νόσων COVID-19 (CODOP) θα βοηθήσει στην έγκαιρη προειδοποίηση των γιατρών σχετικά με το ποιος χρειάζεται εντατική φροντίδα.
Το σύστημα χρησιμοποιεί 12 μόρια αίματος που συνήθως συλλέγονται στο νοσοκομείο όταν ένας ασθενής εισάγεται – που σημαίνει ότι ο αλγόριθμος θα πρέπει να είναι εύκολο να υιοθετηθεί από τα συστήματα υγειονομικής περίθαλψης σε όλο τον κόσμο.
Το CODOP χρησιμοποιεί τεχνητή νοημοσύνη και μπορεί να εντοπίσει ποιοι ασθενείς αντιμετωπίζουν κακή πρόγνωση, σύμφωνα με τη μελέτη που δημοσιεύτηκε στο eLife.
Διαπίστωσε ότι ο αλγόριθμος μπορεί να προβλέψει την επιβίωση ή τον θάνατο των νοσηλευόμενων ασθενών με υψηλή ακρίβεια μέχρι εννέα ημέρες πριν εμφανιστεί οποιοδήποτε αποτέλεσμα.
Μαζί με το να βοηθάει τους γιατρούς να λαμβάνουν αποφάσεις για εκείνους τους ασθενείς που χρειάζονται την πιο κρίσιμη φροντίδα και τον τρόπο θεραπείας, θα μπορούσε επίσης να βοηθήσει χώρες που έχουν πρόσβαση σε λιγότερους πόρους.
Ο ανώτερος συγγραφέας της μελέτης και επικεφαλής του διεθνούς έργου είπε ότι οι νέες παραλλαγές, η μείωση της ανοσίας και η χαλάρωση των μέτρων ασφαλείας “σημαίνουν ότι είναι πιθανό να συνεχίσουμε να βλέπουμε έξαρση λοιμώξεων και νοσηλειών”.
«Υπάρχει ανάγκη για κλινικά πολύτιμα και γενικεύσιμα εργαλεία διαλογής για να βοηθήσουν στην κατανομή των νοσοκομειακών πόρων για τον COVID-19 , ιδιαίτερα σε μέρη όπου οι πόροι είναι σπάνιοι», είπε προσθέτοντας «Αλλά αυτά τα εργαλεία πρέπει να είναι σε θέση να αντιμετωπίσουν το διαρκώς μεταβαλλόμενο σενάριο μιας παγκόσμιας πανδημίας και πρέπει να είναι εύκολο να εφαρμοστούν».
Χρησιμοποιήθηκαν δεδομένα από δείγματα αίματος ρουτίνας που ελήφθησαν από σχεδόν 30.000 ασθενείς σε περισσότερα από 150 νοσοκομεία στην Ισπανία, τις ΗΠΑ, τη Βολιβία, την Ονδούρα και την Αργεντινή μεταξύ Μαρτίου 2020 και Φεβρουαρίου 2022.
Αυτό επέτρεψε στους ερευνητές να συλλέξουν πληροφορίες από άτομα με εμβολιασμένα, μη εμβολιασμένα και φυσική κατάσταση ανοσίας και κάλυψε την εμφάνιση διαφορετικών παραλλαγών, συμπεριλαμβανομένου του Omicron.
