تقسیم علائم کروناویروس به ۶ گروه / پیش‌بینی سرنوشت بیماران بر حسب نوع علائم

پژوهشگران می‌گویند نتایج بررسی‌شان نشان می‌دهد که علائم کووید-۱۹ ظاهرا به شش گروه متفاوت تقسیم می‌شود که سرنوشت‌های متفاوتی برای بیماران رقم می‌زند.

این دانشمندان می‌گویند این یافته‌ها می‌تواند به پزشکان کمک کند از چند روز پیش دریابند چه بیمارانی نیاز به مراقبت بیمارستانی و حمایت تنفسی دارند.

بیشتر بخوانید:

همچنین این گروه‌بندی می‌تواند بیمارانی را معین کند که در معرض خطر بیماری وخیم کووید-۱۹ هستند و بنابراین نیاز به مراقبت خانگی با اکسیژن‌سنجی و سرزدن پرستاران دارند تا در صورتی بدتر شدن حالشان به سرعت به بیمارستان منتقل شوند.

به گفته این پژوهشگران در حال حاضر زمان میانگین تا هنگام بستری شدن در بیمارستان ۱۳ روز است.

پروفسور تیم اسپکتور از کینگز کالج لندن و یکی از این پژوهشگران می‌گوید: «هر کاری که بتوان قبل از بدتر شدن حال بیماران انجام داد و مانع از رسیدن آنها به بیمارستان با حال خراب شد، می‌تواند احتمال زنده ماندن بیماران را افزایش دهد و مانع اشغال غیرضروری تخت‌های بیمارستانی شود.»

نتایج این بررسی در سایت medRxiv منتشر شده و هنوز مورد بازبینی کارشناسن مستقل قرار نگرفته است، بر اساس داده‌های به دست آمده از اپلیکیشن این گروه پژوهشی است که بیش از ۴ میلیون کاربر دارد.

این پژوهشگران داده‌های به دست آمده از ۱۶۵۳ نفر را که آزمایش کووید-۱۹ در آنها مثبت شده بود و علائم مداوم داشتند و به طور مرتب درباره سلامتی‌ و وضعیت‌شان گزارش کرده بودند، گردآوری کردند.

در مجموع، ۳۸۳ نفر از این کاربران دست یک بار به بیمارستان مراجعه کره بودند و ۱۰۷ نفرشان به اکسیژن اضافی یا دستگاه کمک‌تنفسی نیاز پیدا کرده بودند.

سپس این پژوهشگران با استفاده از آلگوریتم‌های یادگیری ماشینی- نوعی هوش مصنوعی- به جستجوی این موضوع پرداخند که آیا برخی از علائم بیماری – در میان ۱۴ علامت- با یکدیگر خوشه‌هایی تشکیل می‌دهند یا نه. نتایج نشان داد که می‌توان بر اساس نوع علائم، هنگام بروز آنها و مدت‌شان شش گروه‌بندی متفاوت را ایجاد کرد.

به گفته این پژوهشگران درجه‌بندی آشکاری میان این خوشه‌های علائم و پیامدها از لحاظ نیاز به کمک تنفسی وجود داشتند:

این شش گروه یا «خوشه» شامل این موارد می‌شوند:

- خوشه ۱: عمدتا دارای علائم دستگاه تنفسی فوقانی مانند سرفه به همراه درد عضله. حدود ۱.۵ درصد از این بیماران نیاز به کمک تنفسی پیدا کرده و ۱۶ درصدشان یک یا دو بار به بیمارستان مراجعه کرده بودند. این گروه شایع‌ترین خوشه علائم بودند و ۴۶۲ بیمار را شامل می‌شدند.

- خوشه ۲: عمدتا علائم دستگاه تنفسی فوقانی به همراه توالی بیشتر نخوردن وعده‌های غذایی و تب. ۴.۴ درصد از افراد این گروه به کمک تنفسی نیاز پیدا کرده بودند و ۱۷.۵ درصدشان دست کم یک بار مراجعه به بیمارستان داشتند.

- خوشه ۳: علائم گوارشی مانند اسهال، بدون علائم چندان دیگر جسمی. فقط ۳.۷ درصد بیماران این گروه نیاز به کمک تنفسی پیدا کرده و تقریبا ۲۴ درصدشان دست کم یک بار به بیمارستان مراجعه کرده بودند.

- خوشه ۴: نشانه‌های اولیه خستگی شدید، درد مداوم قفسه سینه و سرفه. ۸.۶ درصد بیماران این گروه نیاز به حمایت تنفسی پیدا کردند و ۲۳.۶ درصد دست کم یک بار مراجعه بیمارستانی داشتند.

- خوشه ۵: گیجی، غذا نخوردن و خستگی شدید. ۹.۹ درصد از این گروه نیاز به حمایت تنفسی پیدا کرده و ۲۴.۶ درصدشان یک بار یا بیشتر به بیمارستان مراجعه کرده بودند.

- خوشه ۶: علائم شاخص زجر تنفسی از جمله شروع زودرس تنگی نفس و درد قفسه سینه به همراه گیجی، خستگی و علائم گوارشی. تقریبا ۲۰ درصد این گروه نیاز به حمایت تنفسی و ۴۵.۵ درصدشان مراجعه بیمارستانی داشتند. اما این گروه از همه گروه‌های دیگر کوچکتر و شامل ۱۶۷ بیمار می‌شدند.

به گفته این پژوهشگران دو خوشه اول اشکال «خفیف‌تر» کووید-۱۹ هستند.

هنگامی که این پژوهشگران این کار با داده‌های ۱۰۴۷ نفر دیگر از کاربران تکرار کردند و علائم سردرد، از دست رفتن بویایی و چشایی که در همه خوشه‌ها ظاهر شده بودند، را به علائم افزودند، گروه‌بندی‌ها مشابهی به دست آمدند. البته از دست رفتن حس بویایی و چشایی در موارد خفیف‌تر بیشتر طول کشیده بود.

این پژوهشگران می‌گویند ردیابی این علائم توانایی پیش‌بینی سیر بیماری در کووید-۱۹ بهبود می‌بخشد.

این پژوهشگران توانستند بر اساس علائم گزارش شده در پنج روز اول بیماری به همراه ویژگی‌های بیمار مانند سن، جنس و مشکلات پزشکی زمینه‌ای در ۷۹ درصد موارد پیش‌بینی کنند که آیا بیمار به کمک تنفسی نیازمند خواهد شد یا نه.

البته کارشناسان می‌گویند استفاده از هوش مصنوعی در مراقبت‌های بهداشتی محدودیت‌های خودش را هم دارد، به خصوص که در این بررسی داده‌ها از کاربران اپلیکیشن به دست آمده بود و نه جمعیت گسترده‌تر بیماران.

کارشناسان دیگر به امکان استفاده از این داده‌ها برای تعیین کردن بیمارانی که بیش از همه از داروهایی مانند دگزامتازون سود می‌برند، اشاره می‌کنند.

منبع: همشهری آنلاین