Pressemitteilung
Montag, 16. Mai 2022
Mithilfe von maschinellem Lernen finden Forscher Muster in elektronischen Patientenaktendaten, um diejenigen, die wahrscheinlich an dieser Krankheit leiden, besser zu identifizieren.
Ein von den National Institutes of Health unterstütztes Forschungsteam hat Merkmale von Menschen mit langem COVID und solchen, die es wahrscheinlich haben, identifiziert. Wissenschaftler analysierten mithilfe von Techniken des maschinellen Lernens eine beispiellose Sammlung von elektronischen Gesundheitsakten (EHRs), die für die COVID-19-Forschung verfügbar sind, um besser zu identifizieren, wer lange an COVID leidet. Das Team untersuchte anonymisierte EHR-Daten in der National COVID Cohort Collaborative (N3C), einer nationalen, zentralisierten öffentlichen Datenbank, die vom National Center for Advancing Translational Sciences (NCATS) des NIH geleitet wird, und nutzte die Daten, um mehr als 100.000 wahrscheinlich lange COVID-Fälle zu finden Oktober 2021 (Stand: Mai 2022: mehr als 200.000). Die Befunde erscheinen in Die digitale Gesundheit von Lancet.
Langes COVID ist durch weitreichende Symptome gekennzeichnet, darunter Kurzatmigkeit, Müdigkeit, Fieber, Kopfschmerzen, „Gehirnnebel“ und andere neurologische Probleme. Solche Symptome können nach einer ersten COVID-19-Diagnose viele Monate oder länger anhalten. Ein Grund, warum COVID so lange schwer zu identifizieren ist, ist, dass viele seiner Symptome denen anderer Krankheiten und Zustände ähneln. Eine bessere Charakterisierung der langen COVID könnte zu verbesserten Diagnosen und neuen Therapieansätzen führen.
„Es war sinnvoll, moderne Datenanalysetools und eine einzigartige Big-Data-Ressource wie N3C zu nutzen, in der viele Merkmale von Long COVID dargestellt werden können“, sagte Co-Autorin Emily Pfaff, Ph.D., klinische Informatikerin an der Universität von North Carolina in Chapel Hill.
Die N3C-Datenenklave enthält derzeit Informationen, die landesweit mehr als 13 Millionen Menschen repräsentieren, darunter fast 5 Millionen COVID-19-positive Fälle. Die Ressource ermöglicht eine schnelle Forschung zu aufkommenden Fragen zu COVID-19-Impfstoffen, Therapien, Risikofaktoren und Gesundheitsergebnissen.
Die neue Forschung ist Teil einer verwandten, größeren trans-NIH-Initiative, Researching COVID to Enhance Recovery (RECOVER), die darauf abzielt, das Verständnis der langfristigen Auswirkungen von COVID-19, den sogenannten postakuten Folgen von SARS-CoV, zu verbessern -2-Infektion (PASC). RECOVER wird Menschen mit PASC genau identifizieren und Ansätze für ihre Prävention und Behandlung entwickeln. Das Programm wird auch kritische Forschungsfragen zu den langfristigen Auswirkungen von COVID durch klinische Studien, Längsbeobachtungsstudien und mehr beantworten.
In dem Lanzette Studie, Pfaff, Melissa Haendel, Ph.D., am Anschutz Medical Campus der University of Colorado, und ihre Kollegen untersuchten die Patientendemografie, die Inanspruchnahme der Gesundheitsversorgung, Diagnosen und Medikamente in den Krankenakten von 97.995 erwachsenen COVID-19-Patienten im N3C. Sie verwendeten diese Informationen zusammen mit Daten von fast 600 langen COVID-Patienten aus drei langen COVID-Kliniken, um drei maschinelle Lernmodelle zu erstellen, um lange COVID-Patienten zu identifizieren.
Beim maschinellen Lernen „trainieren“ Wissenschaftler Rechenmethoden, um große Datenmengen schnell zu sichten und neue Erkenntnisse zu gewinnen – in diesem Fall über lange COVID. Die Modelle suchten nach Mustern in den Daten, die den Forschern helfen könnten, Patientenmerkmale zu verstehen und Personen mit der Erkrankung besser zu identifizieren.
Die Modelle konzentrierten sich auf die Identifizierung potenzieller langer COVID-Patienten in drei Gruppen in der N3C-Datenbank: Alle COVID-19-Patienten, Patienten, die mit COVID-19 ins Krankenhaus eingeliefert wurden, und Patienten, die COVID-19 hatten, aber nicht ins Krankenhaus eingeliefert wurden. Die Modelle erwiesen sich als genau, da Personen, die als gefährdet für lange COVID identifiziert wurden, Patienten ähnelten, die in langen COVID-Kliniken behandelt wurden. Die maschinellen Lernsysteme klassifizierten ungefähr 100.000 Patienten in der N3C-Datenbank, deren Profile eng mit denen mit langer COVID übereinstimmten.
„Sobald Sie in einer großen Datenbank von Personen feststellen können, wer lange an COVID erkrankt ist, können Sie beginnen, Fragen zu diesen Personen zu stellen“, sagte Josh Fessel, MD, Ph.D., Senior Clinical Advisor bei NCATS und einem wissenschaftlichen Programm Führen Sie in RECOVER. „War etwas anders an diesen Menschen, bevor sie lange COVID entwickelten? Hatten sie bestimmte Risikofaktoren? Gab es etwas an der Art und Weise, wie sie während einer akuten COVID behandelt wurden, das ihr Risiko für eine lange COVID erhöht oder verringert haben könnte?
Die Modelle suchten nach gemeinsamen Merkmalen, einschließlich neuer Medikamente, Arztbesuche und neuer Symptome, bei Patienten mit einer positiven COVID-Diagnose, die mindestens 90 Tage von ihrer akuten Infektion entfernt waren. Die Modelle identifizierten Patienten mit langer COVID, wenn sie in eine lange COVID-Klinik gingen oder lange COVID-Symptome zeigten und wahrscheinlich die Krankheit hatten, aber nicht diagnostiziert worden waren.
„Wir wollen die neuen Muster, die wir sehen, mit dem Diagnosecode für COVID integrieren und in unsere Modelle aufnehmen, um zu versuchen, ihre Leistung zu verbessern“, sagte Haendel von der University of Colorado. „Die Modelle können von einer größeren Vielfalt von Patienten lernen und genauer werden. Wir hoffen, dass wir unseren langen COVID-Patientenklassifikator für die Rekrutierung klinischer Studien verwenden können.“
Diese Studie wurde von NCATS finanziert, das zum Design, zur Wartung und Sicherheit der N3C-Enklave beigetragen hat, und von der NIH RECOVER Initiative, unterstützt von NIH OT2HL161847. RECOVER koordiniert unter anderem das Teilnehmerrekrutierungsprotokoll, zu dem diese Arbeit beiträgt. Die Analysen wurden mit Daten und Tools durchgeführt, auf die über die NCATS N3C Data Enclave zugegriffen und von NCATS U24TR002306 unterstützt wurde.
Über das National Center for Advancing Translational Sciences (NCATS): NCATS betreibt und unterstützt Forschung zur Wissenschaft und Funktionsweise der Translation – dem Prozess, durch den Interventionen zur Verbesserung der Gesundheit entwickelt und umgesetzt werden –, damit mehr Behandlungen schneller zu mehr Patienten gelangen. Weitere Informationen darüber, wie NCATS dazu beiträgt, den Weg von der wissenschaftlichen Beobachtung zur klinischen Intervention zu verkürzen, finden Sie unter https://ncats.nih.gov.
Über die National Institutes of Health (NIH):NIH, die medizinische Forschungsbehörde des Landes, umfasst 27 Institute und Zentren und ist Teil des US-Gesundheitsministeriums. Das NIH ist die wichtigste Bundesbehörde, die grundlegende, klinische und translationale medizinische Forschung durchführt und unterstützt und die Ursachen, Behandlungen und Heilmittel für häufige und seltene Krankheiten untersucht. Weitere Informationen über das NIH und seine Programme finden Sie unter www.nih.gov.
NIH… Entdeckungen in Gesundheit verwandeln®