새로운 의료 AI 도구, 환자 건강 기록에서 장기 코로나 사례 더 많이 식별한다

Mass General Brigham의 연구원들은 전자 건강 기록을 걸러내 임상의가 SARS-CoV-2 감염 후 피로, 만성 기침, 두뇌 안개 등 지속적인 증상이 여러 개 나타나는 종종 신비로운 상태인 장기 COVID 사례를 식별하는 데 도움이 되는 AI 기반 도구를 개발했습니다. Med 저널에 게재된 이 결과는 이 잠재적으로 쇠약해지는 상태에 대한 치료를 받아야 할 더 많은 사람을 식별할 수 있습니다. 그들이 식별한 사례 수는 또한 장기 COVID의 유병률이 크게 과소평가되었을 수 있음을 시사합니다.

"저희 AI 도구는 안개 낀 진단 과정을 날카롭고 집중적인 것으로 바꿔 임상의에게 어려운 상태를 이해할 수 있는 힘을 줄 수 있습니다." Mass General Brigham의 AI 및 생물의학 정보학 학습 의료 시스템(CAIBILS) 센터의 AI 연구 책임자이자 Harvard Medical School의 의학 조교수인 Hossein Estiri 박사의 수석 저자가 말했습니다. "이 연구를 통해 마침내 롱 코로나가 진짜 무엇인지, 그리고 더 중요한 것은 어떻게 치료해야 하는지 볼 수 있을 것입니다."

SARS-CoV-2 감염의 급성 후유증(PASC)으로도 알려진 롱 코로나는 광범위한 증상을 포함합니다. 연구 목적을 위해 Estiri와 동료들은 이를 감염과 관련된 배제 진단으로 정의했습니다. 즉, 진단은 환자의 고유한 의료 기록에서 설명할 수 없으며 COVID 감염과 관련이 있어야 합니다. 또한 진단은 12개월 추적 기간 동안 2개월 이상 지속되어야 합니다.

AI 도구에 사용된 알고리즘은 Mass General Brigham 시스템의 14개 병원과 20개 커뮤니티 건강 센터에 있는 약 300,000명의 환자의 임상 기록에서 익명화된 환자 데이터를 추출하여 개발되었습니다. 단일 진단 코드에 의존하는 대신 AI는 Estiri와 동료가 개발한 "정밀 표현형 분석"이라는 새로운 방법을 활용하여 개별 기록을 걸러내 COVID-19와 관련된 증상과 상태를 식별하고 다른 질병과 구별하기 위해 시간 경과에 따른 증상을 추적합니다. 예를 들어, 이 알고리즘은 호흡곤란이 장기 COVID가 아닌 심부전이나 천식과 같은 기존 질환의 결과일 수 있는지 감지할 수 있습니다. 다른 모든 가능성이 고갈된 경우에만 도구는 환자를 장기 COVID로 표시합니다.

"의사들은 종종 증상과 병력의 얽힌 그물을 헤쳐나가야 하며, 어떤 실마리를 잡아야 할지 확신하지 못하고 바쁜 케이스 로드를 조절해야 합니다. 이를 체계적으로 수행할 수 있는 AI 기반 도구가 있다면 게임 체인저가 될 수 있습니다." 브리검 여성 병원의 내과 레지던트이자 Mass General Brigham 의료 시스템의 창립 멤버인 공동 저자 Alaleh Azhir 박사는 말했습니다.

연구원들은 이 새로운 방법이 제공하는 환자 중심 진단이 장기 COVID에 대한 현재 진단에 내재된 편견을 완화하는 데 도움이 될 수 있다고 말하며, 장기 COVID에 대한 공식 ICD-10 진단 코드로 진단받은 환자가 의료에 더 쉽게 접근할 수 있는 환자로 경향이 있다는 점을 지적했습니다. 다른 진단 연구에서는 인구의 약 7%가 장기 COVID를 앓고 있다고 제안했지만, 이 새로운 접근 방식은 훨씬 더 높은 추정치인 22.8%를 보여줍니다. 저자들은 이 수치가 국가적 추세와 더 밀접하게 일치하며 팬데믹의 장기적 피해에 대한 보다 현실적인 그림을 그린다고 말했습니다.

연구자들은 그들의 도구가 ICD-10 코드가 포착하는 것보다 약 3% 더 정확하면서도 편향이 적다는 것을 확인했습니다. 구체적으로, 그들의 연구는 그들이 장기 COVID를 앓고 있다고 확인한 개인이 매사추세츠의 더 광범위한 인구 구성을 반영한다는 것을 보여주었고, 단일 진단 코드나 개별 임상 접촉에 의존하는 장기 COVID 알고리즘과는 달리, 더 많은 치료를 받을 수 있는 사람들과 같은 특정 인구 집단에 결과를 왜곡합니다. "이러한 더 넓은 범위는 임상 연구에서 종종 소외되는 소외된 커뮤니티가 더 이상 보이지 않게 합니다."라고 에스티리는 말했습니다.

연구와 AI 도구의 한계로는 알고리즘에서 장기 COVID 증상을 설명하기 위해 사용된 건강 기록 데이터가 의사가 방문 후 임상 기록에 기록한 데이터보다 덜 완전할 수 있다는 점이 있습니다. 또 다른 한계는 알고리즘이 장기 COVID 증상이었을 수 있는 이전 상태의 악화 가능성을 포착하지 못했다는 것입니다. 예를 들어, 환자가 만성 폐쇄성 폐질환을 앓고 있었고 COVID-19가 발병하기 전에 이전 증상이 악화된 경우 알고리즘은 지속적인 증상이 장기 COVID 지표이더라도 환자를 제거했을 수 있습니다. 최근 몇 년 동안 COVID-19 검사량이 감소함에 따라 환자가 언제 처음 COVID-19에 감염되었는지 파악하기 어렵습니다. 이 연구는 또한 매사추세츠의 환자로 제한되었습니다.

향후 연구에서는 만성폐쇄성폐질환(COPD)이나 당뇨병과 같은 특정 질환이 있는 환자 집단에서 알고리즘을 탐색할 수 있습니다. 연구자들은 또한 이 알고리즘을 오픈 액세스로 공개하여 전 세계의 의사와 의료 시스템이 환자 집단에서 사용할 수 있도록 할 계획입니다.

이 연구는 더 나은 임상 치료의 문을 여는 것 외에도 장기 코로나의 다양한 하위 유형의 유전적 및 생화학적 요인에 대한 미래 연구의 토대를 마련할 수 있습니다. "장기 코로나의 진정한 부담에 대한 의문, 지금까지 애매했던 의문이 이제 더 쉽게 풀릴 것 같습니다."라고 에스티리는 말했습니다.

저자: Estiri 외에도 Mass General Brigham 저자로는 Alaleh Azhir, Jonas Hügel, Jiazi Tian, ​​Jingya Cheng, Ingrid V. Bassett, Emily S. Lau, Yevgeniy R. Semenov, Virginia A. Triant, Zachary H. Strasser, Jeffrey G. Klann, Shawn N. Murphy가 있습니다. 추가 저자로는 Douglas S. Bell, Elmer V. Bernstam, Maha R. Farhat, Darren W. Henderson, Michele Morris, Shyam Visweswaran이 있습니다.

자금 지원: 미국 국립보건원, 국립알레르기감염병연구소(NIAID) R01AI165535, 국립심장폐혈액연구소(NHLBI) OT2HL161847, 국립중개과학진흥센터(NCATS) UL1 TR003167, UL1 TR001881, U24TR004111의 지원. J.Hügel의 연구는 독일 학술교류처(DAAD)의 IFI 프로그램 내 펠로우십과 연방교육연구부(BMBF) 및 독일연구재단(426671079)의 지원을 받았습니다.

출처: https://www.sciencedaily.com/releases/2024/11/241108113204.htm