À ce stade, il y a déjà plus de 621 millions de cas de COVID-19 dans le monde, avec plus de 6,5 millions de décès. Malgré le taux élevé de transmission du COVID-19 dans les foyers partagés, certaines personnes exposées semblent « immunisées » à contracter le virus. Même, on ignore encore, en profondeur, si l'émergence de résistances au coronavirus diffère selon les personnes, selon les caractéristiques de santé.
Maintenant, des chercheurs de Johns Hopkins Medicine et de l'Université Johns Hopkins ont créé et testé de manière préliminaire ce qu'ils pensent être l'un des premiers modèles pour prédire qui est le plus susceptible d'être résistant au COVID-19, malgré l'exposition au virus. Les découvertes des scientifiques ont été publiées dans la revue PLOS ONE .
« Si nous pouvons identifier quelles personnes peuvent naturellement éviter l'infection par le SRAS-CoV-2, nous pourrons apprendre, en plus des facteurs comportementaux et sociaux, quelles différences génétiques et environnementales influencent leur défense contre le virus. Cette idée pourrait conduire à de nouvelles mesures préventives et à des traitements plus ciblés », a déclaré l'auteur principal de l'étude, Karen Yang, étudiante diplômée en génie biomédical au Johns Hopkins Translational Informatics Research and Innovation Laboratory.
L'équipe de recherche a cherché à déterminer si un modèle statistique d'apprentissage automatique pourrait utiliser les caractéristiques de santé stockées dans les dossiers de santé électroniques, fournissant des données sur les patients telles que les comorbidités et les médicaments sur ordonnance, comme moyen d'identifier les sujets ayant une capacité naturelle à éviter la maladie. -2 infection. "Ces personnes pourraient être étudiées pour mieux comprendre les facteurs qui permettent leur résistance", a déclaré Yang.
Main dans la main avec l'IA
Un modèle d'apprentissage automatique est un système informatique qui utilise des algorithmes mathématiques pour trouver des modèles statistiques, puis les appliquer à l'avenir. Cela permet à la technologie de limiter la pensée et le raisonnement humains et, comme le cerveau, d'apprendre au fil du temps.
« L'utilisation d'un système d'apprentissage automatique pour reconnaître des modèles complexes chez un grand nombre de personnes atteintes de COVID-19 a permis à une autre équipe de chercheurs de Johns Hopkins Medicine en 2021 de prédire l'évolution du cas d'un patient individuel et de déterminer la probabilité que cela devienne grave. Compte tenu de son succès, notre équipe s'est demandée si la même approche pouvait également être appliquée pour prédire qui pourrait être exposé au SRAS-CoV-2 à l'intérieur et ne pas être infecté", a déclaré le co-auteur principal de l'étude, Stuart Ray, vice-président de la médecine pour les données. d'analyse et d'intégrité, et professeur de médecine à la Johns Hopkins University School of Medicine.
Pour démontrer la capacité du modèle à prédire la résistance au COVID-19, les chercheurs ont d'abord acquis des données d'un registre clinique appelé Johns Hopkins COVID-19 Precision Medicine Analytics Platform Registry (JH-CROWN) . Le registre contient des informations sur les patients pris en charge par le système de santé Johns Hopkins qui sont suspectés ou confirmés d'avoir une infection par le SRAS-CoV-2.
Les scientifiques n'ont inclus que les personnes qui ont reçu un test COVID-19 entre le 10 juin 2020 et le 15 décembre 2020 et qui ont signalé une «exposition potentielle au virus» comme raison du test. La date de fin choisie était celle qui coïncidait avec le début de la vaccination à grande échelle contre le COVID-19 aux États-Unis. Cette inflexion a permis aux spécialistes d'éviter dans leurs découvertes les effets des vaccins qui préviennent l'infection au lieu de la résistance naturelle.
Les 8 536 participants à l'étude qui ont déclaré l'exposition comme raison de se faire tester pour le COVID ont été divisés en deux groupes : ceux qui ne partageaient pas de résidence (appelée « ménage » dans cette étude) avec un patient COVID-19 ou leur résidence avaient 10 personnes ou plus les patients; et ceux qui partageaient une résidence avec 10 personnes ou moins, dont au moins une était un patient COVID-19.
Le premier groupe, avec 8 476 participants, a été nommé "Ensemble de formation et de test", tandis que le second, appelé "Ensemble de l'indice des ménages (HHI)", comptait 60 membres et a été utilisé comme test. Selon les chercheurs, la détermination du nombre de 10 personnes ou moins dans le ménage excluait les personnes vivant dans des zones d'habitation à logements multiples à plus forte densité où l'exposition à une personne particulière positive pour le SRAS-CoV-2 serait moins intense.
Faire les comptes
Para identificar patrones y agrupar a los participantes de modo que se destaquen aquellos naturalmente resistentes al SARS-CoV-2, ambos conjuntos de estudio se analizaron utilizando el algoritmo de agrupamiento basado en modelos de selección de patrones de máxima frecuencia y confianza total (MASPC, pour ses sigles en anglais).
MASPC est spécialement conçu pour l'analyse des données des dossiers de santé électroniques qui combine les informations démographiques des patients (âge, sexe et race), la Classification statistique internationale des maladies et des problèmes de santé connexes (CIM) et les codes de diagnostic médical pertinents. , et le nombre de comorbidités (autres maladies) présentes. Tous sont des outils couramment utilisés dans les centres médicaux aux États-Unis et capables de partager des informations de manière ouverte.
«Nous avons émis l'hypothèse que MASPC nous permettrait de regrouper des patients présentant des schémas similaires dans leurs données pour les définir comme résistants et non résistants au SRAS-CoV-2, et dans l'espoir que l'algorithme apprendrait à chaque analyse comment améliorer la précision et la fiabilité des missions futures. . Cette étude initiale utilisant des données de JH-CROWN a été menée pour concrétiser cette hypothèse, un essai de preuve de concept de notre modèle statistique pour montrer que la résistance au COVID-19 pourrait être prévisible en fonction du profil clinique et démographique d'un patient. Ray a expliqué.
« Dans le Training and Test Set, nous avons identifié 56 modèles de code ICD divisés en deux groupes : associés à une résistance ou non . Les analyses statistiques de la façon dont ces modèles différenciaient la résistance et la non-résistance en ont donné cinq qui ont fait le meilleur travail pour notre petite population d'étude localisée en définissant qui était le plus probablement exposé au SRAS-CoV-2 », a déclaré Yang.
«En recherchant ces modèles, les personnes les plus susceptibles d'avoir été exposées au SRAS-CoV-2 à l'intérieur, puis en analysant statistiquement les résultats, la meilleure performance de notre modèle était de 0,6. Puisqu'un score de 0,5 ne montre qu'une association aléatoire entre la prédiction et la réalité, et 1 est une association à 100%, cela montre que le modèle est prometteur comme outil pour identifier les personnes résistantes au COVID-19 qui peuvent être étudiées plus avant, " dit Ray.
Avec Yang et Ray, les membres de l'équipe d'étude de Johns Hopkins Medicine et de l'Université Johns Hopkins sont les étudiants diplômés et de premier cycle Yijia Chen, Jacob Desman, Kevin Gorman, Chloé Paris, Ilia Rattsev, Tony Wei et Rebecca Yoo; et les co-auteurs principaux de la faculté Joseph Greenstein et Casey Overby Taylor.
Continuer à lire