PORTĀLS ĀRSTIEM UN FARMACEITIEM
Šī vietne ir paredzēta veselības aprūpes speciālistiem

Agrīni Covid-19 simptomi ir atšķirīgi dažādās vecuma grupās

Doctus
Agrīni Covid-19 simptomi ir atšķirīgi dažādās vecuma grupās
Pixabay.com
Covid-19 pandēmijas laikā pacientu ziņotie Covid-19 simptomi tiek izmantoti, lai apmācītu mākslīgā intelekta modeļus, lai identificētu iespējamos infekcijas perēkļus.

Līdz šim šie modeļi ir ņēmuši vērā tikai simptomu kulmināciju vai maksimumu, kas nav piemērots infekcijas agrīnai noteikšanai. Šī pētījuma mērķis bija novērtēt varbūtību, ka indivīds tiks inficēts ar SARS-CoV-2, pamatojoties uz agrīniem paša ziņotiem simptomiem, lai varētu savlaicīgi izolēties un steidzami veikt testu.

 

Šajā plaša mēroga, perspektīvā, epidemioloģiskās uzraudzības pētījumā tiks izmantoti perspektīvi, novērošanas, ilgtermiņa, pašu ziņoti datus no Apvienotās Karalistes par 19 simptomiem 3 dienu laikā pēc simptomu parādīšanās un Covid-19 PCR testa rezultāti, kas iegūti no Covid- 19 simptomu izpētes mobilā tālruņa lietotnes. Pētāmā populācija tika sadalīta divās grupās: apmācību grupā (tie, kuri ziņoja par simptomiem laikā no 2020. gada 29. aprīļa līdz 2020. gada 15. oktobrim) un testa grupā (tie, kuri ziņoja par simptomiem laikā no 2020. gada 16. oktobra līdz 30. novembrim), un tika izmantoti trīs modeļi, lai analizētu pašreģistrētos simptomus: Apvienotās Karalistes Nacionālā veselības dienesta (NHS) algoritms, loģistiskā regresija un hierarhiskais Gausa procesa modelis, kurš tika izstrādāts, lai ņemtu vērā vairāku svarīgus mainīgo lielumu (piemēram, specifiskus Covid-19 simptomus, blakusslimības un klīniskos simptomus) informāciju. Modeļa veiktspēja, lai prognozētu Covid-19 pozitivitāti, testa komplektā tika salīdzināta ar jutīgumu, specifiskumu un laukumu zem uztvērēja darbības raksturlīknes (AUC). Hierarhiskajam Gausa procesa modelim tika novērtēta arī simptomu atbilstība agrīnai Covid-19 noteikšanai iedzīvotāju apakšgrupās, kas stratificētas pēc nodarbošanās, dzimuma, vecuma un ķermeņa masas indeksa.

Mācību grupā bija 182 991 dalībnieks, un testa grupā - 15 049 dalībnieki. Apmācot par 3 dienu simptomiem, par kuriem tika ziņots no pašiem pacientiem, hierarhiskajam Gausa procesa modelim bija augstāks prognozes AUC (0,80; 95% TI [0,80–0,81]) nekā loģistikas regresijas modelim (0,74, 95% TI [74–0,75]) un NHS algoritmam (0,67, 95 % TI [0,67–0,67]). AUC visiem modeļiem palielinājās līdz ar simptomu dienu skaitu, par kurām ziņoja paši pacienti, bet joprojām bija augsts hierarhiskajam Gausa procesa modelim 1. dienā (0,73, 95% TI [0,73–0,74]) un otrajā dienā (0,79, 95% TI [0,78–0,79]). Trešajā dienā arī hierarhiskajam Gausa procesa modelim bija ievērojami lielāka jutība, bet statistiski zemāka specifika nekā pārējiem diviem modeļiem. Hierarhiskajā Gausa procesa modelī tika identificēti arī dažādi būtiski elementi, lai atklātu Covid-19 starp gados jaunākām un vecākām apakšgrupām, kā arī starp veselības aprūpes darbiniekiem un darbiniekiem, kas nav saistīti ae veselības aprūpi. Ja modelis tika izmantots dažādos pandēmijas periodos, tas bija izturīgs pret izmaiņām populācijās.

Izmantojot izstrādāto modeli, ir iespējams savlaicīgi atklāt SARS-CoV-2 infekciju. Šāda agrīna atklāšana ir būtiska, lai ierobežotu Covid-19 izplatību un efektīvi sadalītu medicīnas resursus.

 

AVOTS: Canas LA, Sudre CH,  Capdevila Pujol J, et al. Early detection of COVID-19 in the UK using self-reported symptoms: a large-scale, prospective, epidemiological surveillance study. The Lancet Digital Health, 2021