Dans une étude récente publiée dans Médecine naturelleles chercheurs ont identifié PASC [post-acute sequelae of coronavirus disease 2019 (COVID-19)] sous-phénotypes en fonction des affections diagnostiquées dans les 1 à 3 mois suivant l’infection aiguë par le coronavirus 2 du syndrome respiratoire aigu sévère (SRAS-CoV-2).
Sommaire
Arrière plan
Des études ont examiné les conditions PASC séparément sans fournir de preuves de conditions concomitantes. Les phénotypes solaires ou les modèles de coïncidence, le degré auquel les conditions et les symptômes PASC sont co-incidents ou développés de manière disproportionnée chez des patients particuliers, pourraient probablement aider à révéler la physiopathologie PASC.
À propos de l’étude
Dans la présente étude, les chercheurs ont identifié les sous-phénotypes PASC par une approche axée sur les données basée sur l’apprentissage automatique.
Données DSE (dossier de santé électronique) de deux grands CRN (réseaux de recherche clinique) du PCORnet (CRN centré sur le patient) à l’échelle nationale, à savoir le CRN INSIGHT et le CRN OneFlorida+. Le CRN INSIGHT comprend 12 millions d’habitants de NYC (New York City), tandis que le CRN OneFlorida+ comprend 19 millions de personnes résidant en Géorgie, en Alabama et en Géorgie.
Les individus INSIGHT et OneFlorida+ CRN comprenaient la cohorte de développement (n = 20 881) et la cohorte de validation (n = 13 724), respectivement. L’étude comprenait des individus positifs pour le SRAS-CoV-2, pour lesquels les conditions développées entre 30 jours et 180 jours après le diagnostic de COVID-19 signalé 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. Classification internationale des maladies, 10e révision) codes, a été évalué.
L’approche TM (modélisation de sujet) a été utilisée pour identifier les modèles de coïncidence des conditions PASC, en fonction des sous-phénotypes PASC qui ont été déterminés. Après avoir obtenu des représentations binaires de grande dimension des conditions PASC (étape 1), l’algorithme a appris les sujets PASC (T) (étape 2) et a déduit les représentations du patient dans l’espace de sujet PASC de faible dimension (étape 3) via l’approche de modélisation de sujet . Les sous-phénotypes PASC ont été déterminés sur la base de groupes de patients représentant des sujets PASC (étape 4).
Les modèles de co-incidence PASC des individus SARS-CoV-2-positifs et SARS-CoV-2-négatifs 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 similarité cosinus et des sujets similaires appris à partir des deux cohortes CRN ont été évalués quantitativement.
Résultats
Quatre sous-phénotypes PASC ont été identifiés. Le sous-phénotype 1 comprenait 7 047 (34 %) patients et était prédominé par des maladies d’origine rénale, circulatoire et cardiaque (T-3, 8, 10), 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 %)[hospitalization(61%)mechanicalventilatorneeds(50%)andcriticalcareadmissions(10%)
Le sous-phénotype présentait le plus grand pourcentage de patients positifs pour le SRAS-CoV-2 (37 %) lors de la vague initiale de COVID-19 (entre mars et juin 2020). Les individus du sous-phénotype présentaient un fardeau élevé de comorbidités et étaient largement prescrits 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 était prédominé par les troubles pulmonaires (T-4,7,9), l’anxiété, les troubles du sommeil, les douleurs thoraciques et les maux de tête. 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 le COVID-19 entre novembre 2020 et novembre 2021. Les personnes du sous-phénotype 2 se sont largement vu prescrire des médicaments antiallergiques, anti-inflammatoires et anti-asthmatiques, tels que stéroïdes inhalés, montélukast et levalbuterol.
Le sous-phénotype 3 comprenait 23 % (n = 4 879) des individus 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 plus grand pourcentage d’individus avec > 5,0 visites en ambulatoire avant COVID-19 (78 %). Les individus sous-phénotypiques se sont principalement vu prescrire des médicaments analgésiques (tels que le kétorolac et l’ibuprofène).
Le sous-phénotype 4 comprenait 10 % (n = 2 117) des individus 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 d’utilisation des ventilateurs mécaniques les moins élevés (1 %) et les admissions dans les unités de soins intensifs (3 % ) pendant la COVID-19 aiguë. Les individus du sous-phénotype se sont vu prescrire en grande partie des médicaments contre les troubles du système digestif.
Les sujets appris des individus SARS-CoV-2-négatifs ont montré de plus grandes valeurs d’entropie que les patients SARS-CoV-2-positifs. Les résultats de similarité cosinus ont confirmé la robustesse de la classification des sous-phénotypes PASC, et les schémas de co-incidence observés pour les deux cohortes CRN étaient similaires pour les individus positifs pour le SRAS-CoV-2. Au contraire, les sujets pour les individus non infectés étaient différents de ceux appris des individus positifs au SRAS-CoV-2 avec des schémas de concentration moindres.
Conclusion
Dans l’ensemble, les résultats de l’étude ont mis en évidence quatre sous-phénotypes PASC reproductibles basés sur des données identifiés par l’apprentissage automatique. Les résultats pourraient aider les autorités sanitaires à améliorer la prise en charge du PASC.
