ทีมวิจัยสร้างแบบจำลองทางสถิติเพื่อทำนายการดื้อยาของ COVID-19

"หากเราสามารถระบุได้ว่าบุคคลใดสามารถหลีกเลี่ยงการติดเชื้อ SARS-CoV-2 ได้ตามธรรมชาติ เราอาจเรียนรู้ได้ นอกเหนือจากปัจจัยทางสังคมและพฤติกรรม ซึ่งความแตกต่างทางพันธุกรรมและสิ่งแวดล้อมมีอิทธิพลต่อการป้องกันไวรัส" Karen (Kai-Wen) Yang ผู้เขียนนำการศึกษา ซึ่งเป็นนักศึกษาระดับบัณฑิตศึกษาด้านวิศวกรรมชีวการแพทย์จาก Translational Informatics Research and Innovation Lab ที่ The Johns Hopkins University กล่าว "ข้อมูลเชิงลึกดังกล่าวอาจนำไปสู่มาตรการป้องกันใหม่ ๆ และการรักษาที่ตรงเป้าหมายมากขึ้น" สำหรับการศึกษานี้ ทีมวิจัยได้เริ่มพิจารณาว่าโมเดลทางสถิติแบบแมชชีนเลิร์นนิงสามารถใช้คุณลักษณะด้านสุขภาพที่จัดเก็บไว้ในบันทึกสุขภาพอิเล็กทรอนิกส์หรือไม่ ซึ่งให้ข้อมูลผู้ป่วย เช่น โรคประจำตัว (ภาวะทางการแพทย์อื่นๆ) และยาตามใบสั่งแพทย์ เป็นเครื่องมือในการระบุ ผู้ที่มีความสามารถตามธรรมชาติในการหลีกเลี่ยงการติดเชื้อ SARS-CoV-2 Yang กล่าวว่าบุคคลเหล่านั้นสามารถศึกษาเพื่อทำความเข้าใจปัจจัยที่ทำให้เกิดการต่อต้านได้ดีขึ้น โมเดลแมชชีนเลิร์นนิงคือโปรแกรมคอมพิวเตอร์หรือระบบที่ใช้อัลกอริทึมทางคณิตศาสตร์เพื่อค้นหารูปแบบทางสถิติ จากนั้นใช้รูปแบบดังกล่าวต่อไป สิ่งนี้ทำให้ระบบดังกล่าวมีความสามารถในการเลียนแบบความคิดและการใช้เหตุผลของมนุษย์ และเรียนรู้เมื่อเวลาผ่านไป เช่นเดียวกับสมอง "การใช้ระบบแมชชีนเลิร์นนิงเพื่อจดจำรูปแบบที่ซับซ้อนในผู้ที่ติดเชื้อโควิด-19 จำนวนมาก ทำให้ทีมนักวิจัยของ Johns Hopkins Medicine อีกทีมในปี 2564 สามารถคาดการณ์แนวทางการรักษาของผู้ป่วยแต่ละรายและระบุแนวโน้มที่จะมีอาการรุนแรง" ผู้ร่วมวิจัยอาวุโส Stuart Ray, MD, รองประธานด้านการแพทย์เพื่อความสมบูรณ์ของข้อมูลและการวิเคราะห์ และศาสตราจารย์ด้านการแพทย์ของคณะแพทยศาสตร์มหาวิทยาลัย Johns Hopkins กล่าว "จากความสำเร็จของพวกเขา ทีมงานของเราสงสัยว่าแนวทางเดียวกันนี้อาจนำไปใช้ในการทำนายว่าใครบ้างที่อาจสัมผัสเชื้อ SARS-CoV-2 ในระยะประชิดและยังไม่ติดเชื้อ" เพื่อแสดงให้เห็นถึงความสามารถของแบบจำลองในการทำนายการดื้อยาของ COVID-19 นักวิจัยได้รับข้อมูลจากการลงทะเบียนทางคลินิกที่เรียกว่า Johns Hopkins COVID-19 Precision Medicine Analytics Platform Registry (JH-CROWN) ทะเบียนประกอบด้วยข้อมูลของผู้ป่วยที่พบในระบบสุขภาพของจอห์น ฮอปกินส์ ซึ่งถูกสงสัยหรือได้รับการยืนยันว่าติดเชื้อ SARS-CoV-2 สำหรับการศึกษาการดื้อยา นักวิจัยรวมเฉพาะบุคคลที่ได้รับการทดสอบ COVID-19 ระหว่างวันที่ 10 มิถุนายน 2020 ถึง 15 ธันวาคม 2020 และผู้ที่รายงานว่า "มีโอกาสได้รับเชื้อไวรัส" เป็นเหตุผลในการทดสอบ วันที่สิ้นสุดเป็นจุดเริ่มต้นความพยายามฉีดวัคซีนโควิด-19 จำนวนมากในสหรัฐอเมริกา นักวิจัยกล่าวว่าการเลือกวันที่นี้ทำให้พวกเขาสามารถหลีกเลี่ยงผลกระทบจากการพบวัคซีนป้องกันการติดเชื้อมากกว่าการดื้อยาตามธรรมชาติ ผู้เข้าร่วมการศึกษา 8,536 รายที่รายงานการสัมผัสเป็นเหตุผลในการตรวจหาเชื้อโควิด แบ่งออกเป็น 2 กลุ่ม: กลุ่มที่ไม่ได้ใช้ที่อยู่อาศัยร่วมกัน (เรียกว่า "ครัวเรือน" ในการศึกษานี้) กับผู้ป่วย COVID-19 หรือที่อยู่อาศัยของพวกเขามี 10 คนขึ้นไป ผู้ป่วย; และผู้ที่พักอาศัยร่วมกับคนไม่เกิน 10 คน โดยมีผู้ป่วยโควิด-19 อย่างน้อย 1 คน กลุ่มแรกซึ่งมีผู้เข้าร่วม 8,476 คนถูกกำหนดให้เป็นชุดการฝึกอบรมและการทดสอบ ส่วนกลุ่มที่สองเรียกว่าชุดดัชนีครัวเรือน (HHI) มีสมาชิก 60 คนและใช้เป็นชุดทดสอบแยกต่างหากโควิด19 นักวิจัยกล่าวว่า การรักษาจำนวนครัวเรือนไว้ที่ 10 หรือน้อยกว่านั้น ไม่รวมผู้ที่อาศัยอยู่ในอพาร์ตเมนต์ หอพัก และพื้นที่อยู่อาศัยหลายยูนิตที่มีความหนาแน่นสูงกว่า ซึ่งการสัมผัสบุคคลใดบุคคลหนึ่งซึ่งมีผลบวกต่อ SARS-CoV-2 จะรุนแรงน้อยกว่า ในการระบุรูปแบบและผู้เข้าร่วมคลัสเตอร์เพื่อให้ผู้ที่ดื้อต่อ SARS-CoV-2 ตามธรรมชาติมีความโดดเด่น ชุดการศึกษาทั้งสองได้รับการวิเคราะห์โดยใช้อัลกอริธึมการเลือกรูปแบบตามรูปแบบการทำคลัสเตอร์ (MASPC) แบบเลือกรูปแบบที่มีความถี่สูงสุดทุกความถี่สูงสุด MASPC ได้รับการออกแบบมาโดยเฉพาะสำหรับการวิเคราะห์ข้อมูลเวชระเบียนอิเล็กทรอนิกส์ที่รวมข้อมูลประชากรของผู้ป่วย (อายุ เพศ และเชื้อชาติ) รหัสการวินิจฉัยทางการแพทย์ของการจำแนกประเภททางสถิติระหว่างประเทศของโรคและปัญหาสุขภาพที่เกี่ยวข้อง (ICD) ที่เกี่ยวข้องกับแต่ละกรณี ใบสั่งยาผู้ป่วยนอก และหมายเลข ของโรคประจำตัว (โรคอื่นๆ) ที่มีอยู่

"เราตั้งสมมติฐานว่า MASPC จะช่วยให้เราสามารถจัดกลุ่มผู้ป่วยที่มีรูปแบบคล้ายคลึงกันในข้อมูลของพวกเขา เพื่อระบุว่าพวกเขาดื้อและไม่ดื้อต่อ SARS-CoV-2 และด้วยความหวังว่าอัลกอริทึมจะเรียนรู้วิธีการปรับปรุงความแม่นยำในการวิเคราะห์แต่ละครั้ง และความน่าเชื่อถือของการมอบหมายงานในอนาคต" เรย์กล่าว "การศึกษาเบื้องต้นนี้โดยใช้ข้อมูล JH-CROWN ดำเนินการเพื่อให้สมมติฐานดังกล่าวเป็นจริง ซึ่งเป็นการทดลองพิสูจน์แนวคิดของแบบจำลองทางสถิติของเราเพื่อแสดงให้เห็นว่าการดื้อยาต่อ COVID-19 อาจคาดการณ์ได้โดยอาศัยข้อมูลทางคลินิกและข้อมูลประชากรของผู้ป่วย" "ในชุดการฝึกอบรมและการทดสอบ เราระบุรูปแบบรหัส ICD 56 รูปแบบที่แบ่งออกเป็นสองกลุ่ม: เกี่ยวข้องกับการต่อต้านหรือไม่เกี่ยวข้อง" Yang กล่าว "การวิเคราะห์ทางสถิติว่ารูปแบบเหล่านี้มีความแตกต่างระหว่างการดื้อยาและไม่ดื้อยาได้ดีเพียงใด ทำให้ได้รูปแบบ 5 รูปแบบที่ทำงานได้ดีที่สุดสำหรับกลุ่มประชากรขนาดเล็กและท้องถิ่น [เมืองบัลติมอร์-วอชิงตัน ดี.ซี. เมโทรเพล็กซ์] เพื่อระบุว่าใครมีโอกาสติดเชื้อ SARS-CoV มากที่สุด -2" "การมองหารูปแบบเหล่านี้ใน HHI Set -- บุคคลที่น่าจะเคยสัมผัสเชื้อ SARS-CoV-2 มากที่สุดในระยะประชิด -- จากนั้นจึงวิเคราะห์ผลลัพธ์ทางสถิติ ประสิทธิภาพที่ดีที่สุดของแบบจำลองของเราคือ 0.61" Ray กล่าว "เนื่องจากคะแนน 0.5 แสดงถึงโอกาสเพียงความสัมพันธ์ระหว่างการคาดการณ์กับความเป็นจริง และ 1 คือความสัมพันธ์ 100% ซึ่งแสดงให้เห็นว่าแบบจำลองนี้สัญญาว่าจะเป็นเครื่องมือในการระบุผู้ที่มีความต้านทานต่อ COVID-19 ซึ่งสามารถศึกษาเพิ่มเติมได้" Ray กล่าว Ray กล่าวว่า ข้อจำกัดของการศึกษารวมถึงอคติที่อาจเกิดขึ้นจากการรายงานตนเองเกี่ยวกับการสัมผัสเชื้อ COVID-19 โดยผู้เข้าร่วม ผู้เข้าร่วมจำนวนน้อยในกลุ่ม HHI ความเป็นไปได้ที่ผู้เข้าร่วมทดสอบ SARS-CoV-2 โดยใช้ชุดเครื่องมือที่บ้านหรือที่สถานที่อำนวยความสะดวก นอกระบบของ Johns Hopkins (และด้วยเหตุนี้ การทดสอบจึงไม่ได้รับการบันทึกในฐานข้อมูล JH-CROWN) และกรอบเวลาสั้นของการศึกษา เขาเสริมว่าเส้นทางในอนาคตโดยใช้ข้อมูลผู้ป่วยระดับชาติเป็นสิ่งจำเป็นในการตรวจสอบความสามารถของแบบจำลอง ร่วมกับ Yang และ Ray สมาชิกของทีมวิจัยจาก Johns Hopkins Medicine และ Johns Hopkins University เป็นนักศึกษาระดับบัณฑิตศึกษาและระดับปริญญาตรี Yijia Chen, Jacob Desman, Kevin Gorman, Chloé Paris, Ilia Rattsev, Tony Wei และ Rebecca Yoo; และคณะผู้เขียนร่วมอาวุโส Joseph Greenstein และ Casey Overby Taylor