Dans une étude récente publiée dans Médecine naturelleles chercheurs ont identifié PASC [post-acute sequelae of coronavirus disease 2019 (COVID-19)] sous-phénotypes basés sur les affections diagnostiquées dans les 1 à 3 mois suivant l’infection par le coronavirus 2 du syndrome respiratoire aigu sévère aigu (SARS-CoV-2).
Antécédents
Des études ont examiné les conditions PASC séparément sans fournir de preuves de conditions concomitantes. Les phénotypes solaires ou les modèles d’appariement, le degré auquel les conditions et les symptômes PASC sont appariés ou se développent de manière disproportionnée chez des patients particuliers, pourraient probablement aider à révéler la physiopathologie du PASC.
À propos de l’étude
Dans la présente étude, les chercheurs ont identifié les sous-phénotypes PASC à l’aide d’une approche axée sur les données basée sur l’apprentissage automatique.
Données EHR (Electronic Health Record) de deux grands CRN (Clinical Research Networks) du réseau national PCORnet (Patient Centered CRN), à savoir INSIGHT CRN et OneFlorida+ CRN. INSIGHT CRN comprend 12 millions de résidents de NYC (New York City), tandis que OneFlorida+ CRN comprend 19 millions de personnes résidant en Géorgie, en Alabama et en Géorgie.
Les individus INSIGHT et OneFlorida+ CRN ont formé la cohorte de développement (n = 20 881) et la cohorte de validation (n = 13 724), respectivement. L’étude a inclus des personnes positives pour le SRAS-CoV-2, pour lesquelles les conditions qui se sont développées entre les jours 30 et 180 du diagnostic signalé de COVID-19 ont été évaluées.
Le diagnostic de COVID-19 était basé sur des rapports positifs de test d’antigène SARS-CoV-2 ou de test d’amplification d’acide nucléique entre mars 2020 et novembre 2021. Incidence pour 137 catégories d’états probables PASC CCSR (Software Classifications raffiné cliniques), défini par la CIM-10 (Classification internationale des maladies, 10le examen) codes, a été évalué.
L’approche TM (modélisation thématique) a été utilisée pour identifier les modèles correspondants des conditions PASC, sur la base des sous-phénotypes PASC qui ont été déterminés. Après avoir obtenu des représentations binaires de haute dimension des conditions PASC (étape 1), l’algorithme a appris les thèmes PASC (T) (étape 2) et a déduit les représentations du patient dans l’espace thématique PASC de basse dimension (étape 3) grâce à la modélisation de thème. approche. . Les sous-phénotypes PASC ont été déterminés en fonction des groupes de patients représentant les sujets PASC (étape 4).
Les schémas d’appariement PASC des personnes positives pour le SRAS-CoV-2 et négatives pour le SRAS-CoV-2 ont été comparés sur la base des cartes thermiques générées et l’entropie de chaque vecteur thématique a été calculée. La robustesse des sous-phénotypes PASC identifiés a été évaluée sur la base des ajustements du score de propension (PS). De plus, l’équipe a comparé quantitativement les sujets. L’ensemble original de sujets appris à partir des 137 conditions PASC avec une similitude cosinus et des sujets similaires appris des deux cohortes CRN ont été évalués quantitativement.
Résultats
Livre électronique sur l’immunologie
Quatre sous-phénotypes PASC ont été identifiés. Le sous-phénotype 1 comprenait 7 047 (34 %) patients et les maladies liées aux reins, à la circulation et au cœur (T-3, 8, 10) prédominaient, telles que l’insuffisance rénale, les troubles circulatoires et cardiaques et les troubles liquidiens. et déséquilibre électrolytique. L’âge médian des patients était de 65 ans et 49 % d’entre eux étaient des hommes. Les patients présentaient une gravité aiguë élevée de la COVID-19[hospitalisation(61 %)besoinsenventilationmécanique(50 %)etadmissionsensoinsintensifs(10 %)[hospitalisation(61 %)besoinsenventilationmécanique(50 %)etadmissionsensoinsintensifs(10 %)[hospitalización(61%)necesidadesdeventilaciónmecánica(50%)eingresosencuidadosintensivos(10%)[hospitalization(61%)mechanicalventilatorneeds(50%)andcriticalcareadmissions(10%)
Le sous-phénotype présentait le pourcentage le plus élevé de patients positifs au SRAS-CoV-2 (37 %) lors de la première vague de COVID-19 (entre mars et juin 2020). Les individus du sous-phénotype avaient un fardeau élevé de comorbidités et étaient prescrits en grande partie pour l’anémie, les troubles circulatoires et les troubles endocriniens.
Le sous-phénotype 2 était dominé par le sommeil, l’anxiété et les troubles respiratoires. Le sous-phénotype comprenait 6 838 (33 %) patients et les troubles pulmonaires (T-4,7,9), l’anxiété, les troubles du sommeil, les douleurs thoraciques et les maux de tête prédominaient. L’âge médian des patients était de 51 ans, et 63% d’entre eux étaient des femmes, avec 31% d’hospitalisations aiguës pour COVID-19.
Le sous-phénotype comptait la plus grande fraction (65 %) de patients diagnostiqués avec COVID-19 entre novembre 2020 et novembre 2021. Les personnes sous-phénotype 2 se sont vu prescrire fortement des médicaments anti-allergiques, anti-inflammatoires et anti-asthmatiques, tels que des stéroïdes inhalés, du montélukast et lévalbutérol.
Le sous-phénotype 3 comprenait 23 % (n = 4879) des personnes souffrant de troubles des systèmes nerveux et musculo-squelettique (T-1,5,6), y compris des douleurs d’origine musculo-squelettique, des troubles du sommeil et des maux de tête. L’âge médian des patients était de 57 ans et 61 % d’entre eux étaient des femmes. Le sous-phénotype comprenait le pourcentage le plus élevé d’individus avec > 5,0 visites en clinique externe avant le COVID-19 (78 %). Les personnes du sous-phénotype se voyaient principalement prescrire des analgésiques (tels que le kétorolac et l’ibuprofène).
Le sous-phénotype 4 comprenait 10 % (n = 2117) des personnes souffrant principalement de troubles respiratoires et digestifs (T-2, 4, 8). L’âge médian des patients était de 54 ans, et 62 % d’entre eux étaient des femmes, avec les taux les plus élevés de zéro visite aux services d’urgence (57,0 %) et les taux les plus faibles d’utilisation d’un ventilateur mécanique (1 %) et d’admissions en soins intensifs. unités (trois pour cent). ) pendant la phase aiguë de la COVID-19. Les individus du sous-phénotype se sont largement vu prescrire des médicaments pour des troubles du système digestif.
Les sujets appris auprès d’individus négatifs pour le SRAS-CoV-2 ont montré des valeurs d’entropie plus élevées que les patients positifs pour le SRAS-CoV-2. Les résultats de similarité cosinus ont confirmé la robustesse de la classification des sous-phénotypes PASC, et les modèles d’appariement observés pour les deux cohortes CRN étaient similaires pour les individus positifs pour le SRAS-CoV-2. En revanche, les thèmes pour les personnes non infectées étaient différents de ceux appris des personnes positives au SRAS-CoV-2 avec des schémas de concentration plus faibles.
conclusion
Dans l’ensemble, les résultats de l’étude ont mis en évidence quatre sous-phénotypes PASC basés sur des données reproductibles identifiées par l’apprentissage automatique. Les résultats pourraient aider les autorités sanitaires à améliorer la prise en charge du PASC.
- Zhang, H. et al. (2022) « Identification basée sur les données des sous-phénotypes d’infection post-aiguë par le SRAS-CoV-2 », Médecine naturelle. est ce que je: 10.1038/s41591-022-02116-3.