Choroby zakaźne
Rokowania, prognozy i postęp choroby
Prognozowanie przebiegu chorób zakaźnych jest kluczowe dla optymalizacji leczenia i alokacji zasobów w opiece zdrowotnej, jednak napotyka na liczne wyzwania, takie jak heterogeniczność chorób, zmienność reakcji pacjentów oraz opóźnienia w raportowaniu przypadków. Tradycyjne metody prognostyczne, oparte na skalach klinicznych i biomarkerach (np. prokalcytonina w sepsie, D-dimer, IL-6, ferrytyna i CRP w COVID-19), są uzupełniane przez zaawansowane modele uczenia maszynowego, takie jak random forest z dokładnością 97% w przewidywaniu ciężkiego przebiegu COVID-19 czy modele DNN i LSTM przewyższające klasyczne ARIMA. Transfer learning, jak w metodologii TransMED, poprawia predykcję u pacjentów z COVID-19 o 12,9% i 10,3% w AUROC, wykorzystując dane z chorób układu oddechowego. Systematyczne przeglądy wykazały jednak, że większość modeli prognostycznych COVID-19 (90% z 593 modeli) cechuje wysokie ryzyko błędu, a tylko nieliczne, takie jak Qcovid, PRIEST i ISARIC 4C Deterioration, mają niskie ryzyko błędu i są rekomendowane do dalszej walidacji.
Wprowadzenie do prognozowania w chorobach zakaźnych
Choroby zakaźne stanowią istotne zagrożenie dla zdrowia publicznego na całym świecie. Dokładne przewidywanie przebiegu i wyniku tych chorób jest kluczowe dla efektywnego leczenia pacjentów oraz optymalnej alokacji zasobów opieki zdrowotnej. Wczesna identyfikacja pacjentów zagrożonych ciężkim przebiegiem choroby może umożliwić bardziej ukierunkowane, terminowe interwencje i skuteczną komunikację ryzyka, co ma wymierny wpływ na rozprzestrzenianie się choroby w scenariuszach epidemicznych i pandemicznych.1
Prognostyka w chorobach zakaźnych napotyka jednak na znaczące wyzwania, wynikające z heterogeniczności tych chorób, zmienności reakcji pacjentów na zakażenie oraz opóźnień w raportowaniu przypadków. Pomimo postępów w dziedzinie modelowania predykcyjnego, nie istnieje pojedynczy złoty standard dla przewidywania przebiegu chorób zakaźnych. Obecne badania eksplorują szeroki zakres narzędzi prognostycznych – od tradycyjnych systemów punktacji i biomarkerów po zaawansowane technologie omiczne i sztuczną inteligencję.2
Metody prognozowania w chorobach zakaźnych
Tradycyjne skale i biomarkery
Tradycyjne metody prognozowania w chorobach zakaźnych opierają się na skalach klinicznych i biomarkerach. W przypadku sepsy, która jest stanem zagrażającym życiu, wymagającym precyzyjnej prognozy dla złagodzenia niekorzystnych wyników, stosuje się różne skale, jak np. Mortality in Emergency Department Sepsis score w połączeniu z prokalcytoniną.3 W grypie czynniki prognostyczne obejmują choroby układu sercowo-naczyniowego i objawy ze strony ośrodkowego układu nerwowego.4
W kontekście COVID-19, badania wykazały, że różne zestawy biomarkerów mogą być stosowane do oceny ciężkości choroby i prognozy. Na przykład, dwa różne zestawy biomarkerów (D-dimer, IL-6 i ferrytyna oraz CRP, D-dimer i IL-6) okazały się przydatne w ocenie ciężkości choroby i przewidywaniu wyników klinicznych u pacjentów z COVID-19 w Wietnamie.56
Zaawansowane modele predykcyjne
Postęp w dziedzinie uczenia maszynowego i analizy danych umożliwił rozwój bardziej zaawansowanych modeli predykcyjnych. Model random forest zastosowany w badaniu wietnamskim mógł przewidzieć z 97% dokładnością prawdopodobieństwo pogorszenia stanu pacjentów z COVID-19 do ciężkiego stanu. Co istotne, model ten zachowywał 92% dokładność nawet po usunięciu IL-6 z analizy, co zwiększa jego zastosowanie w szpitalach o ograniczonych możliwościach testowania IL-6.7
W innym badaniu porównano wydajność głębokiej sieci neuronowej (DNN) i modeli uczenia się typu long-short term memory (LSTM) z modelem autoregresyjnym zintegrowanej średniej ruchomej (ARIMA) w przewidywaniu trzech chorób zakaźnych z tygodniowym wyprzedzeniem. Wyniki pokazały, że modele DNN i LSTM działają lepiej niż ARIMA.8 Badanie to wykorzystywało dane o występowaniu chorób zakaźnych, dane z wyszukiwarek internetowych, dane z mediów społecznościowych Twitter oraz dane pogodowe, takie jak temperatura i wilgotność.9
Transfer Learning i modele wielomodalne
Obiecującym podejściem do budowy modeli predykcyjnych dla chorób o ograniczonej ilości danych jest transfer learning. TransMED, metodologia rozwoju wielomodalnych modeli predykcyjnych, adresuje problemy związane z niedostatkiem danych treningowych dla nowych lub rzadkich chorób poprzez transfer learning z chorób o podobnych charakterystykach na poziomie kohorty i podobnych wynikach.10
Eksperymenty pokazały, że hierarchiczne podejście oparte na transfer learningu wykorzystujące kohorty z ciężkimi chorobami układu oddechowego (SRD) prowadzi do średniej poprawy o 12,9% i 10,3% w AUROC dla przewidywania pobytu i wentylacji pacjentów z COVID-19.11 Kluczowym wnioskiem z tego badania jest to, że uczenie hierarchiczne, które najpierw modeluje interakcję między różnymi pojęciami medycznymi w krótszych odstępach czasu, a następnie uczy się zależności czasowych, jest skuteczne dla transfer learningu między chorobami, w których stan pacjenta ewoluuje w różnych skalach czasowych.12
Prognostyka w specyficznych chorobach zakaźnych
COVID-19
Pandemia COVID-19 ujawniła istotne wyzwania w rozwijaniu systemów, które mogą dokładnie przewidywać wyniki związane z nowo pojawiającą się chorobą zakaźną.13 Takie zdolności są kluczowe dla instytucji, aby priorytetyzować zasoby i wdrażać ilościowe podejście do triażu w sytuacji awaryjnej.14
Systematyczny przegląd i krytyczna ocena modeli prognostycznych COVID-19 wykazały, że dostępne są różnorodne modele predykcyjne, ale ich jakość i użyteczność kliniczna są zmienne. W jednym z przeglądów zidentyfikowano 731 modeli, w tym 125 modeli diagnostycznych i 606 modeli prognostycznych. Większość z tych modeli była jednak słabo raportowana i obarczona wysokim ryzykiem błędu, co sugeruje, że ich rzeczywista wydajność predykcyjna w praktyce jest prawdopodobnie niższa niż raportowana.15
Spośród 593 modeli prognostycznych dla pacjentów z COVID-19, 90% (n=536) było obciążonych wysokim ryzykiem błędu. Tylko siedem nowo opracowanych modeli miało niskie ryzyko błędu, w tym cztery modele Qcovid przewidujące przyjęcie do szpitala i śmierć z powodu COVID-19 w populacji ogólnej w Wielkiej Brytanii, wynik PRIEST przewidujący 30-dniową śmierć lub wsparcie narządów u pacjentów z podejrzeniem lub potwierdzonym COVID-19 zgłaszających się na oddział ratunkowy, oraz model ISARIC 4C Deterioration, który został zwalidowany regionalnie w Wielkiej Brytanii.16
W innym badaniu zidentyfikowano sześć najważniejszych zmiennych dla przewidywania śmiertelności lub przeżycia pacjentów z COVID-19: długość pobytu w szpitalu, czas trwania pobytu na OIT, czas od przyjęcia do OIT, dni do wypisu żywego lub śmierci, D-dimer i pH krwi.17 Inne cechy, takie jak wiek przy przyjęciu, stosunek PaO2/FiO2, TropT, ferrytyna, wentylacja, białko C-reaktywne (CRP) i objawy zespołu ostrej niewydolności oddechowej (ARDS), również są krytycznymi determinantami wyniku.18
W jeszcze innym badaniu opracowano i zaślepiło zwalidowano trzy różne testy oparte na uczeniu maszynowym przewidujące trzy miary progresji do ciężkiej choroby u pacjentów hospitalizowanych z COVID-19: ryzyko progresji do przyjęcia na OIT, intubacji i diagnozy ARDS.19 Przewidywanie ryzyka tych krótkoterminowych, częściej występujących punktów końcowych może być bardziej istotne dla prowadzenia rozmów z pacjentami i członkami rodziny dotyczących agresywności opieki i chęci intubacji, kierowania ograniczonych zasobów szpitalnych do pacjentów, którzy najbardziej ich potrzebują, identyfikacji osób, które najprawdopodobniej skorzystają z określonych interwencji lub zapisania się do badań klinicznych, oraz zapewnienia spokoju ducha pacjentom z kategorii niższego ryzyka.20
Gorączka denga
Gorączka denga zyskała miano szybko rozwijającej się globalnej epidemii, gdyż przenosiciel choroby dostosował się do chłodniejszych krajów, przełamując przekonanie, że denga to choroba występująca wyłącznie w strefach tropikalnych/subtropikalnych. Ta „zakaźna bomba zegarowa” wymaga terminowego i odpowiedniego leczenia, ponieważ wpływa na kluczowe funkcje organizmu, często prowadząc do niewydolności wielu narządów, gdy u pacjentów pojawia się małopłytkowość i krwawienie wewnętrzne, zwiększając chorobowość i śmiertelność.21
Opracowany model przewiduje poziomy zakażenia u pacjenta w oparciu o klasyfikację przedstawioną przez Światową Organizację Zdrowia, tj. gorączkę denga, gorączkę krwotoczną denga i zespół wstrząsu denga, osiągając znacząco wysoką dokładność ponad 90%, wraz z wysokimi wartościami czułości i swoistości.22
Predykcje dla analizy poziomu dengi w proponowanym modelu, w przeciwieństwie do tradycyjnego podejścia, nie opierają się wyłącznie na parametrach takich jak liczba płytek krwi, ciśnienie krwi i krwotoki, ale obejmują również profile wątrobowe i nerkowe, ponieważ gdy prognoza choroby od gorączki denga osiąga wyższe poziomy śmiertelności, często występuje zaangażowanie wielu narządów, szczególnie obciążając funkcje wątroby i nerek pacjenta i prowadząc do niewydolności narządów.23
Prognozowanie przebiegu epidemii gorączki denga w czasie rzeczywistym jest również wyzwaniem. Wymaga to wiedzy na temat konkretnego systemu chorobowego, a także potoku, który może przekształcić surowe dane z systemu nadzoru zdrowia publicznego w skalibrowane prognozy zachorowalności na chorobę.24 Jednak możliwość skutecznego przewidywania rozwoju sytuacji jest utrudniona przez opóźnienia w raportowaniu przypadków. Analizy wykazały, że gdyby nie było opóźnień w raportowaniu, model mógłby dokonywać znacznie dokładniejszych prognoz w prawie wszystkich prowincjach tajlandzkich.25
Wyzwania i ograniczenia w prognozowaniu chorób zakaźnych
Pomimo postępów w dziedzinie modelowania predykcyjnego, prognozowanie przebiegu chorób zakaźnych napotyka na różne wyzwania i ograniczenia:
- Zmienność pacjentów: Badania wykazały, że dokładność predykcji uczenia maszynowego zmniejsza się wraz ze wzrostem zmienności pacjentów. Nawet gdy znany jest pełny stan systemu (tj. wszystkie zmienne pacjenta są dokładnie zmierzone w funkcji czasu), nasza wiedza o wyniku pacjenta jest ograniczona, gdy występuje zmienność między pacjentami.26
- Kompromis między wczesną a dokładną prognozą: Klinicyści muszą przewidywać wyniki pacjentów z wysoką dokładnością jak najwcześniej po wystąpieniu choroby. Jednak dokładność można zwiększyć kosztem opóźnionej prognozy. Wyniki badań pokazują, że dla wszystkich badanych modeli równań różniczkowych zwyczajnych (ODE) dokładność predykcji wzrasta wraz z upływem czasu tc użytego do klasyfikacji.27
- Opóźnienia w raportowaniu: Opóźnienia w raportowaniu przypadków znacząco wpływają na dokładność prognoz w czasie rzeczywistym. Analizy dotyczące gorączki denga w Tajlandii wykazały, że brak opóźnień w raportowaniu prowadziłby do znacznie dokładniejszych prognoz.28
- Ryzyko błędu w modelach: Systematyczne przeglądy modeli prognostycznych COVID-19 wykazały, że większość opublikowanych badań modelowych była słabo raportowana i obarczona wysokim ryzykiem błędu, co sugeruje, że ich rzeczywista wydajność predykcyjna w praktyce jest prawdopodobnie niższa niż raportowana.29
- Heterogeniczność wyników: Przegląd systematyczny wykazał, że modele prognostyczne COVID-19 były obciążone niedociągnięciami, takimi jak niska jakość metodologiczna, mała wielkość próby, słabe postępowanie z brakującymi danymi, niepowodzenie w radzeniu sobie z nadmiernym dopasowaniem, definicje COVID-19 oparte na cechach klinicznych, a nie na wyniku laboratoryjnego testu diagnostycznego SARS-CoV-2, oraz jego ciężkości z badaniami wykorzystującymi heterogeniczne wyniki.30
Perspektywy na przyszłość
Przyszłe kierunki badań nad prognozowaniem w chorobach zakaźnych obejmują:
- Standaryzacja metodologii: Istnieje potrzeba przestrzegania wytycznych raportowania, takich jak TRIPOD (transparent reporting of a multivariable prediction model for individual prognosis or diagnosis), w celu poprawy jakości i porównywalności badań modelowych.31
- Dalsza walidacja obiecujących modeli: Modele o niskim ryzyku błędu, takie jak Qcovid, PRIEST i ISARIC 4C Deterioration, powinny być dalej walidowane w innych zbiorach danych i środowiskach, najlepiej przez niezależnych badaczy, aby zbadać, które modele utrzymują solidną wydajność w czasie i w różnych środowiskach.32
- Wielkie, wieloośrodkowe badania prospektywne: Przyszłe duże, wieloośrodkowe i dobrze zaprojektowane badania prospektywne są potrzebne do opracowania modeli predykcyjnych dla COVID-19 o użyteczności klinicznej, które mogą być stosowane w różnych populacjach.33
- Rozwój systemów wczesnego ostrzegania: Istnieją inicjatywy mające na celu opracowanie systemów wczesnego ostrzegania dla nadchodzących fal lub nawet epidemii chorób zakaźnych, takich jak projekt TeCoMed dla grypy i zapalenia oskrzeli.34
- Integracja różnorodnych źródeł danych: Przyszłe modele predykcyjne mogą czerpać korzyści z integracji danych z różnych źródeł, w tym z systemów elektronicznej dokumentacji medycznej, mediów społecznościowych, danych wyszukiwania w internecie i danych pogodowych, co wykazało swoją wartość w prognozowaniu chorób zakaźnych.35
- Opracowanie kompleksowych algorytmów predykcyjnych: Istnieją propozycje opracowania testów, które dokładnie przewidują krótko- i długoterminowe (w ciągu jednego roku) wyniki u hospitalizowanych pacjentów z COVID-19, odzwierciedlających szerokie dane demograficzne USA, którzy są narażeni na zwiększone ryzyko niekorzystnych wyników z powodu COVID-19, wykorzystując zarówno dane kliniczne, jak i molekularne.36
Podsumowanie
Prognozowanie wyników w chorobach zakaźnych jest dynamicznie rozwijającym się polem, które ma ogromny potencjał wpływu na opiekę zdrowotną. Od tradycyjnych skal i biomarkerów po zaawansowane modele uczenia maszynowego i transfer learning, różnorodne podejścia są badane i opracowywane w celu poprawy dokładności prognoz.
Jednak istnieją znaczące wyzwania, w tym zmienność pacjentów, kompromis między wczesną a dokładną prognozą, opóźnienia w raportowaniu i ryzyko błędu w modelach. Przyszłe badania powinny skupić się na standaryzacji metodologii, walidacji obiecujących modeli w różnych środowiskach, prowadzeniu dużych, wieloośrodkowych badań prospektywnych i rozwijaniu systemów wczesnego ostrzegania.
Dokładne i możliwe do wdrożenia prognozy zachorowalności na choroby zakaźne w krótkim i długim czasie poprawią odpowiedź zdrowia publicznego na epidemie, umożliwiając bardziej ukierunkowane, terminowe interwencje i skuteczną komunikację ryzyka, co ma wymierny wpływ na rozprzestrzenianie się chorób w scenariuszach epidemicznych i pandemicznych.37
Kolejne rozdziały
Zapraszamy do dalszego czytania naszego leksykonu.
Wybierz kolejny rozdział z menu poniżej, aby otworzyć nową podstronę kompedium wiedzy i uzyskać szczegółowe informację o leku, substancji lub chorobie.