팬데믹 동안 약물과 의료 치료가 부족할 경우, 새로운 모델은 머신 러닝이 약물을 배분하고 입원을 최대 27%까지 줄이는 데 어떻게 도움이 되는지를 보여줍니다.
이 연구는 JAMA Health Forum에 발표되었습니다. 연구 저자들은 COVID-19 팬데믹 동안 많은 환자들이 선착순으로 단일클론 항체(mAbs) 치료를 받거나 개별 건강 이력을 바탕으로 치료를 받았다고 설명합니다.
대작자 아디트 기인데(University of Colorado Anschutz Medical Campus, MD)는 대학의 보도자료에서 “하지만 이러한 방법들은 약물을 복용하는 환자에서 발생할 수 있는 복잡한 상호작용을 다루지 못하며, 치료로 가장 큰 혜택을 받을 수 있는 환자를 간과할 수 있다”고 말했습니다.
모델을 만들기 위해 저자들은 2021년 10월 1일부터 12월 11일까지 대규모 의료 시스템에서 치료를 받은 COVID-19 환자 15,000명 이상의 전자 건강 기록 데이터를 훈련 코호트로, 2021년 6월 1일부터 10월 1일까지의 데이터를 테스트 코호트로 사용했습니다.
정책 학습 트리는 백신 접종 상태와 비만을 고려했습니다.
입원 위험이 가장 큰 환자만 목표로 하는 대신, 정책 학습 트리(PLT)라는 모델은 위험에 처한 환자와 치료에서 가장 큰 혜택을 받을 수 있는 환자 모두를 고려했습니다.
저자들은 “TPLT 기반 회귀 모델을 개발하기 위해 PLT의 가장 중요한 변수 5개(65세 이상; 완전 백신 접종; 45세에서 64세 사이; 비만; 심혈관 질환)를 사용하여 전방 모델 선택 프로세스를 활용했습니다.”라고 말했습니다.
그들은 전체 예상 입원율을 6.0%로 추정했습니다(95% 신뢰 구간 [CI], 5.0%에서 7.1%까지). 전반적으로, 가장 우수한 PLT 모델은 2021년 가을과 겨울 동안 표준 임상 접근법을 사용할 때 관찰된 입원율(3.7%)에 비해 심각한 COVID-19에 대한 입원율을 1.6% 줄였습니다.
최고 성능을 보인 PLT는 완전히 백신 접종을 받지 않고 심혈관 질환, 건강한 면역계, 비만이 있는 환자에게 mAbs를 제공할 때 입원율의 가장 큰 예상 감소를 이끌었습니다.
연구에 대한 논평에서 미네소타 대학교와 미네소타 보건부의 존샌드 라이더(PhD)와 동료들은 머신 기반 학습과 치료 배정에 대한 윤리적 고려사항을 탐구합니다.
거대한 데이터가 존재하는 세상에서 우리는 최선의 결과를 향해 나아가야 할 의무가 있으며, 동시에 공평성을 촉진하고 신뢰를 조성해야 합니다.
“거대한 데이터가 존재하는 세상에서 우리는 최선의 결과를 향해 나아가야 할 의무가 있으며, 동시에 공평성을 촉진하고 신뢰를 조성해야 합니다. 이는 작은 일이 아닙니다,“라고 라이더는 말했습니다. “Researchers는 새로운 정책 접근 방식이 어떻게 받아들여지거나 실행될 수 있을지 고려해야 하며, 이는 통계를 훨씬 넘어서는 과정입니다.“
