Использование индуктивного типа машинного обучения для выявления факторов риска инфицирования медицинских работников высоко-контагиозными вирусами (на модели COVID-19)

Файл статьи: 
Иконка PDF health-risk-analysis-2024-2-11.pdf
УДК: 
613.6.02, 616-036.22, 004.8
DOI: 
10.21668/health.risk/2024.2.11
Авторы: 

И.А. Егоров1, С.С. Смирнова1,2, А.В. Семенов1,2

Организация: 

1Федеральный научно-исследовательский институт вирусных инфекций «Виром», Российская Федерация, 620030, г. Екатеринбург, ул. Летняя, 23
2Уральский государственный медицинский университет, Российская Федерация, 620028, г. Екатеринбург, ул. Репина, 3

Аннотация: 

Эпидемическое и пандемическое распространение высококонтагиозных вирусов (SARS-CoV, вирус гриппа А, вирус Эбола, MERS-CoV, SARS-CoV-2) – тенденция прошедших двух десятилетий XXI в.

Преимущественное воздействие биологического фактора производственной среды на медицинских работников определяет высокий профессиональный риск заражения, тяжелого течения болезни и летального исхода. Интеллектуальная обработка эпидемиологических данных, основанная на алгоритмах машинного обучения, находит успешное применение в эпидемиологической практике для выявления факторов, способствующих инфицированию (предикторов), у различных контингентов риска.

В ходе исследования проведен интеллектуальный анализ базы данных, сформированной по результатам анкетного опроса 1312 медицинских работников. Всего обучено 6912 моделей машинного обучения. Установлено, что инфицированию SARS-CoV-2 способствовало оказание медицинской помощи пациенту с COVID-19, использование полного комплекта СИЗ после непосредственного контакта с больным COVID-19, прямой контакт с предметами внешней (больничной) среды, вакцинация от COVID-19 после непосредственного контакта с больным COVID-19, выполнение функций младшего медицинского персонала (уборщиков), присутствие при проведении процедур, генерирующих аэрозоль.

Установлено четыре группы предикторов, определяющих инфицирование SARS-CoV-2 медицинских работников, – контакт с больным COVID-19 и предметами окружающей его среды, качество и комплексность СИЗ, про-фессиональная принадлежность медицинских работников и показатели ИМТ. Наличие одного предиктора установлено у 56,2 % медицинских работников, двух – у 19,2 %, трех – у 16,4 %, четырех – у 5,5 %, пяти – у 2,7 %.
Таким образом, интеллектуальная обработка эпидемиологических данных является современным этапом эпидемиологического анализа. Применение методов машинного обучения позволяет провести многофакторную оценку рисков инфицирования медицинских работников SARS-CoV-2, выявить и достоверно оценить наиболее значимые предикторы. Гибкость архитектуры интеллектуального анализа данных позволяет проводить как корректировку изучаемой модели, так и динамически дополнять сформированную базу новыми данными, улавливать изменения эпидемиологической ситуации и проводить актуальные профилактические и противоэпидемические мероприятия.

Ключевые слова: 
интеллектуальный анализ данных, искусственный интеллект, машинное обучение, риск-ориентированный подход, профессиональные предикторы инфицирования, высококонтагиозные вирусы, SARS-CoV-2, медицинские работники
Егоров И.А., Смирнова С.С., Семенов А.В. Использование индуктивного типа машинного обучения для выявления факторов риска инфицирования медицинских работников высококонтагиозными вирусами (на модели COVID-19) // Анализ риска здоровью. – 2024. – № 2. – С. 122–131. DOI: 10.21668/health.risk/2024.2.11
Список литературы: 
  1. Infectious disease in an era of global change / R.E. Baker, A.S. Mahmud, I.F. Miller, M. Rajeev, F. Rasambainarivo, B.L. Rice, S. Takahashi, A.J. Tatem [et al.] // Nat. Rev. Microbiol. – 2022. – Vol. 20, № 4. – P. 193–205. DOI: 10.1038/s41579-021-00639-z
  2. Emerging paradigms of viral diseases and paramount role of natural resources as antiviral agents / R. Sagaya Jansi, A. Khusro, P. Agastian, A. Alfarhan, N.A. Al-Dhabi, M.V. Arasu, R. Rajagopal, D. Barcelo, A. Al-Tamimi // Sci. Total Environ. – 2021. – Vol. 759. – P. 143539. DOI: 10.1016/j.scitotenv.2020.143539
  3. Ashmore P., Sherwood E. An overview of COVID-19 global epidemiology and discussion of potential drivers of variable global pandemic impacts // J. Antimicrob. Chemother. – 2023. – Vol. 78, Suppl. 2. – P. ii2–ii11. DOI: 10.1093/jac/dkad311
  4. Risk factors and protective measures for healthcare worker infection during highly infectious viral respiratory epidemics: A systematic review and meta-analysis / C. Tian, O. Lovrics, A. Vaisman, K.J. Chin, G. Tomlinson, Y. Lee, M. Englesakis, M. Parotto, M. Singh // Infect. Control Hosp. Epidemiol. – 2022. – Vol. 43, № 5. – P. 639–650. DOI: 10.1017/ice.2021.18
  5. COVID-19 and healthcare workers: A systematic review and meta-analysis / M. Gholami, I. Fawad, S. Shadan, R. Ro-waiee, H. Ghanem, A. Hassan Khamis, S.B. Ho // Int. J. Infect. Dis. – 2021. – Vol. 104. – P. 335–346. DOI: 10.1016/j.ijid.2021.01.013
  6. Effectiveness of precautions against droplets and contact in prevention of nosocomial transmission of severe acute respiratory syndrome (SARS) / W.H. Seto, D. Tsang, R.W.H. Yung, T.Y. Ching, T.K. Ng, M. Ho, L.M. Ho, J.S.M. Peiris, Advi-sors of Expert SARS group of Hospital Authority // Lancet. – 2003. – Vol. 361, № 9368. – P. 1519–1520. DOI: 10.1016/s0140-6736(03)13168-6
  7. Factors associated with the transmission of pandemic (H1N1) 2009 among hospital healthcare workers in Beijing, China / Y. Zhang, H. Seale, P. Yang, C.R. MacIntyre, B. Blackwell, S. Tang, Q. Wang // Influenza Other Respir. Viruses. – 2013. – Vol. 7, № 3. – P. 466–471. DOI: 10.1111/irv.12025
  8. Epidemiology of Ebola virus disease transmission among health care workers in Sierra Leone, May to December 2014: a retrospective descriptive study / O. Olu, B. Kargbo, S. Kamara, A.H. Wurie, J. Amone, L. Ganda, B. Ntsama, A. Poy [et al.] // BMC Infect. Dis. – 2015. – Vol. 15. – P. 416. DOI: 10.1186/s12879-015-1166-7
  9. Risk Factors for Middle East Respiratory Syndrome Coronavirus Infection among Healthcare Personnel / B.M. Al-raddadi, H.S. Al-Salmi, K. Jacobs-Slifka, R.B. Slayton, C.F. Estivariz, A.I. Geller, H.H. Al-Turkistani, S.S. Al-Rehily [et al.] // Emerg. Infect. Dis. – 2016. – Vol. 22, № 11. – P. 1915–1920. DOI: 10.3201/eid2211.160920
  10. Сравнительная оценка рисков инфицирования SARS-CoV-2 у работников медицинских организаций крупного про-мышленного города в период пандемии / С.С. Смирнова, И.А. Егоров, Н.Н. Жуйков, Л.Г. Вяткина, А.Н. Харитонов, А.В. Семенов, О.В. Морова // Анализ риска здоровью. – 2022. – № 2. – С. 139–150. DOI: 10.21668/health.risk/2022.2.13
  11. The Large Scale Machine Learning in an Artificial Society: Prediction of the Ebola Outbreak in Beijing / P. Zhang, B. Chen, L. Ma, Z. Li, Z. Song, W. Duan, X. Qiu // Comput. Intell. Neurosci. – 2015. – Vol. 2015. – P. 531650. DOI: 10.1155/2015/531650
  12. Alqaissi E.Y., Alotaibi F.S., Ramzan M.S. Modern Machine-Learning Predictive Models for Diagnosing Infectious Diseases // Comput. Math. Methods Med. – 2022. – Vol. 2022. – P. 6902321. DOI: 10.1155/2022/6902321
  13. Singh R., Singh R. Applications of sentiment analysis and machine learning techniques in disease outbreak prediction – A review // Materials Today: Proceedings. – 2021. – Vol. 81, № 2. – P. 1006–1011. DOI: 10.1016/j.matpr.2021.04.356
  14. Artificial Intelligence in the Fight Against COVID-19: Scoping Review / A. Abd-Alrazaq, M. Alajlani, D. Alhuwail, J. Schneider, S. Al-Kuwari, Z. Shah, M. Hamdi, M. Househ // J. Med. Internet Res. – 2020. – Vol. 22, № 12. – P. e20756. DOI: 10.2196/20756
  15. Comprehensive Overview of the COVID-19 Literature: Machine Learning-Based Bibliometric Analysis / A. Abd-Alrazaq, J. Schneider, B. Mifsud, T. Alam, M. Househ, M. Hamdi, Z.A. Shah // J. Med. Internet Res. – 2021. – Vol. 23, № 3. – P. e23703. DOI: 10.2196/23703
  16. The application of artificial intelligence and data integration in COVID-19 studies: a scoping review / Y. Guo, Y. Zhang, T. Lyu, M. Prosperi, F. Wang, H. Xu, J. Bian // J. Am. Med. Inform. Assoc. – 2021. – Vol. 28, № 9. – P. 2050–2067. DOI: 10.1093/jamia/ocab098
  17. McCall B. COVID-19 and artificial intelligence: protecting health-care workers and curbing the spread // Lancet Digit. Health. – 2020. – Vol. 2, № 4. – P. e166–e167. DOI: 10.1016/S2589-7500 (20) 30054-6
  18. Strong associations and moderate predictive value of early symptoms for SARS-CoV-2 test positivity among healthcare workers, the Netherlands, March 2020 / A. Tostmann, J. Bradley, T. Bousema, W.-K. Yiek, M. Holwerda, C. Bleeker-Rovers, J. Ten Oever, C. Meijer [et al.] // Euro Surveill. – 2020. – Vol. 25, № 16. – P. 2000508. DOI: 10.2807/1560-7917.ES.2020.25.16.2000508
  19. Routine Laboratory Blood Tests Predict SARS-CoV-2 Infection Using Machine Learning / H.S. Yang, Y. Hou, L.V. Vasovic, P.A.D. Steel, A. Chadburn, S.E. Racine-Brzostek, P. Velu, M.M. Cushing [et al.] // Clin. Chem. – 2020. – Vol. 66, № 11. – P. 1396–1404. DOI: 10.1093/clinchem/hvaa200
  20. Evaluation of a machine learning approach utilizing wearable data for prediction of SARS-CoV-2 infection in healthcare workers / R.P. Hirten, L. Tomalin, M. Danieletto, E. Golden, M. Zweig, S. Kaur, D. Helmus, A. Biello [et al.] // JAMIA Open. – 2022. – Vol. 5, № 2. – P. ooac041. DOI: 10.1093/jamiaopen/ooac041
Получена: 
02.02.2024
Одобрена: 
22.04.2024
Принята к публикации: 
20.06.2024

Вы здесь

Главная