Nova studija baca svetlo na obećavajući pristup koji koristi mašinsko učenje za efikasnije raspoređivanje medicinskih tretmana tokom pandemije ili u bilo kom trenutku kada postoji nedostatak terapeutika.
Nalazi, objavljeni u JAMA Health Forumu, otkrili su značajno smanjenje očekivanih hospitalizacija kada se koristi mašinsko učenje za pomoć u distribuciji lekova pomoću pandemije COVID-19 za testiranje modela. Dokazano je da model smanjuje hospitalizacije relativno za oko 27% u poređenju sa stvarnom i posmatranom negom.
„Tokom pandemije, zdravstveni sistem je bio na prelomnoj tački i mnoge zdravstvene ustanove su se oslanjale na podatke o tome ko je prvi došao, prvi uslužio ili pacijentovu zdravstvenu istoriju da bi primenili ko je dobio tretmane“, rekao je stariji autor lista Adit Ginde, MD. , profesor urgentne medicine na Univerzitetu Kolorado Anschutz Medical Campus.
„Međutim, ove metode se često ne bave složenim interakcijama koje se mogu javiti kod pacijenata kada uzimaju lekove da bi se utvrdila očekivana klinička efikasnost i mogu prevideti pacijente koji bi imali najviše koristi od lečenja. Pokazujemo da je mašinsko učenje u ovim scenarijima način da se koristite dokaze iz stvarnog sveta u realnom vremenu da biste informisali o donošenju odluka u javnom zdravstvu“, dodaje Ginde.
U studiji, istraživači su pokazali da korišćenje mašinskog učenja koje posmatra kako pojedini pacijenti imaju različite koristi od lečenja može pružiti lekarima, zdravstvenim sistemima i službenicima javnog zdravlja tačnije informacije u realnom vremenu od tradicionalnih modela rezultata raspodele. Mengli Ksiao, Ph.D., docent za biostatistiku i informatiku, razvio je sistem alokacije mAb zasnovan na mašinskom učenju.
„Postojeće metode alokacije prvenstveno ciljaju na pacijente koji imaju profil visokog rizika za hospitalizacije bez tretmana. Mogli bi da previde pacijente koji imaju najviše koristi od tretmana. Razvili smo sistem tačaka alokacije mAb zasnovan na procenama heterogenosti efekata lečenja iz mašinskog učenja. Naša alokacija daje prioritet pacijentima karakteristike povezane sa velikim uzročnim efektima lečenja, nastojeći da optimizuju ukupne koristi od lečenja kada su resursi ograničeni“, rekao je Sjao.
Konkretno, istraživači su razmotrili efikasnost dodavanja nove metode zasnovane na polici Learning Trees (PLT) za optimizaciju alokacije monoklonskih antitela koja neutrališu COVID-19 (mAbs) tokom perioda ograničenja resursa.
PLT pristup je osmišljen da odluči koje tretmane dodeliti pojedincima na način koji maksimizira ukupne koristi za populaciju (osiguravajući da će oni koji su u najvećem riziku od hospitalizacije sigurno dobiti tretman, posebno kada je tretman oskudan). Ovo se radi uzimajući u obzir kako različiti faktori utiču na efikasnost lečenja.
Istraživači su uporedili pristup mašinskom učenju sa odlukama iz stvarnog sveta i standardnim sistemom raspodele bodova koji se koristio tokom pandemije. Otkrili su da je model zasnovan na PLTs pokazao značajno smanjenje očekivanih hospitalizacija u poređenju sa uočenom alokacijom. Ovo poboljšanje je takođe nadmašilo učinak Skora skrininga monoklonskih antitela, koji posmatra antitela radi dijagnoze.
„Korišćenje inovativnog pristupa kao što je mašinsko učenje proširuje se izvan kriza kao što je pandemija COVID-19 i pokazuje da možemo da obezbedimo personalizovane odluke javnog zdravlja čak i kada su resursi ograničeni u bilo kom scenariju. Međutim, da bismo to učinili, važno je da robusni podaci u realnom vremenu platforme, poput onoga što smo razvili za ovaj projekat, implementiraju se da bi se donele odluke zasnovane na podacima“, dodaje Ginde, lider u Institutu za kliničke i translacione nauke u Koloradu u CU Anschutz.
Rad u JAMA Health Forumu biće 15. publikacija koja će izaći iz projekta pod nazivom Monoklonsko antitelo (mAB) Colorado. Projekat se fokusirao na činjenje najboljeg za većinu ljudi, koristeći dokaze iz stvarnog sveta za odluke zasnovane na podacima tokom pandemije COVID-19.
Istraživači se nadaju da će ovaj rad ohrabriti subjekte javnog zdravlja, kreatore politike i agencije za upravljanje katastrofama da razmotre metode poput mašinskog učenja za implementaciju u slučaju buduće krize javnog zdravlja.
