Los científicos, utilizando técnicas de aprendizaje automático, analizaron una colección sin precedentes de registros de salud electrónicos (EHR) disponibles para la investigación de COVID-19 para identificar mejor quién tiene COVID de larga duración.
Al explorar los datos de EHR no identificados en National COVID Cohort Collaborative (N3C), una base de datos pública centralizada nacional dirigida por el Centro Nacional para el Avance de las Ciencias Traslacionales (NCATS) de los NIH, el equipo usó los datos para encontrar más de 100,000 casos de COVID probablemente prolongados como de octubre de 2021 (a partir de mayo de 2022, el conteo es más de 200,000). Los hallazgos aparecen en The Lancet Digital Health.
La COVID prolongada se caracteriza por una amplia gama de síntomas, que incluyen dificultad para respirar, fatiga, fiebre, dolores de cabeza, “niebla mental” y otros problemas neurológicos.
Dichos síntomas pueden durar muchos meses o más después de un diagnóstico inicial de COVID-19.
Una de las razones por las que la COVID prolongada es difícil de identificar es que muchos de sus síntomas son similares a los de otras enfermedades y afecciones.
Una mejor caracterización de la COVID prolongada podría conducir a mejores diagnósticos y nuevos enfoques terapéuticos.
"Tenía sentido aprovechar las herramientas modernas de análisis de datos y un recurso único de big data como N3C, donde se pueden representar muchas características de un COVID prolongado", dijo la coautora Emily Pfaff, PhD, informatica clínica de la Universidad de Carolina del Norte. en la Colina de la Capilla.
El enclave de datos de N3C actualmente incluye información que representa a más de 13 millones de personas en todo el país, incluidos casi 5 millones de casos positivos de COVID-19.
El recurso permite una investigación rápida sobre preguntas emergentes sobre vacunas, terapias, factores de riesgo y resultados de salud COVID-19.
La nueva investigación es parte de una iniciativa trans-NIH más grande relacionada, Researching COVID to Enhance Recovery (RECOVER), que tiene como objetivo mejorar la comprensión de los efectos a largo plazo de COVID-19, llamados secuelas post-agudas de SARS-CoV. -2 infección (PASC). RECOVER identificará con precisión a las personas con PASC y desarrollará enfoques para su prevención y tratamiento.
El programa también responderá preguntas críticas de investigación sobre los efectos a largo plazo de COVID a través de ensayos clínicos, estudios observacionales longitudinales y más.
En el estudio de Lancet, Pfaff, Melissa Haendel, PhD, del campus médico Anschutz de la Universidad de Colorado, y sus colegas examinaron la demografía de los pacientes, el uso de la atención médica, los diagnósticos y los medicamentos en los registros de salud de 97 995 pacientes adultos con COVID-19 en el N3C.
Utilizaron esta información, junto con datos de casi 600 pacientes con COVID prolongado de tres clínicas con COVID prolongado, para crear tres modelos de aprendizaje automático para identificar pacientes con COVID prolongado.
En el aprendizaje automático, los científicos “entrenan” métodos computacionales para filtrar rápidamente grandes cantidades de datos para revelar nuevos conocimientos, en este caso, sobre COVID prolongado.
Los modelos buscaron patrones en los datos que pudieran ayudar a los investigadores a comprender las características de los pacientes e identificar mejor a las personas con la afección.
Los modelos se centraron en identificar posibles pacientes con COVID prolongado entre tres grupos en la base de datos de N3C: todos los pacientes con COVID-19, pacientes hospitalizados con COVID-19 y pacientes que tenían COVID-19 pero no fueron hospitalizados.
Los modelos demostraron ser precisos, ya que las personas identificadas con riesgo de COVID prolongado eran similares a los pacientes atendidos en las clínicas de COVID prolongado.
Los sistemas de aprendizaje automático clasificaron a aproximadamente 100 000 pacientes en la base de datos de N3C cuyos perfiles coincidían estrechamente con aquellos con COVID prolongado.
“Una vez que pueda determinar quién tiene COVID prolongado en una gran base de datos de personas, puede comenzar a hacer preguntas sobre esas personas”, dijo Josh Fessel, MD, PhD, asesor clínico principal en NCATS y líder del programa científico en RECOVER. .
“¿Había algo diferente en esas personas antes de que desarrollaran un COVID prolongado? ¿Tenían ciertos factores de riesgo? ¿Hubo algo acerca de cómo fueron tratados durante la fase aguda de la COVID que podría haber aumentado o disminuido su riesgo de una COVID prolongada?”.
Los modelos buscaron características comunes, incluidos nuevos medicamentos, visitas al médico y nuevos síntomas, en pacientes con un diagnóstico positivo de COVID que tenían al menos 90 días de su infección aguda.
Los modelos identificaron a los pacientes con COVID prolongado si fueron a una clínica de COVID prolongado o demostraron síntomas prolongados de COVID y probablemente tenían la afección pero no habían sido diagnosticados.
“Queremos incorporar los nuevos patrones que estamos viendo con el código de diagnóstico de COVID e incluirlo en nuestros modelos para tratar de mejorar su desempeño”, dijo Haendel de la Universidad de Colorado.
“Los modelos pueden aprender de una mayor variedad de pacientes y volverse más precisos. Esperamos poder utilizar nuestro clasificador largo de pacientes con COVID para el reclutamiento de ensayos clínicos”.
Este estudio fue financiado por NCATS, que contribuyó al diseño, mantenimiento y seguridad del Enclave N3C, y la iniciativa NIH RECOVER, respaldada por NIH OT2HL161847.
RECOVER está coordinando, entre otros, el protocolo de captación de participantes al que contribuye este trabajo.
Los análisis se realizaron con datos y herramientas a los que se accedió a través del Enclave de datos N3C de NCATS y con el apoyo de NCATS U24TR002306.
Website The Lancet:
https://www.thelancet.com/journals/
