ونتیلاتورها عامل مرگ بیماران کووید ۱۹ هستند/طوفان سیتوکین هیچ نقشی در مرگ و میر کرونایی نداشت!+عکس و سند

به گزارش سرویس جهان مشرق، عفونت باکتریایی ثانویه ریه (پنومونی) در بیماران مبتلا به کووید-19 بسیار شایع بود و تقریباً نیمی از بیمارانی را که به حمایت از تهویه مکانیکی نیاز داشتند، تحت تأثیر قرار داد. نتایج منتشر شده در مجله تحقیقات بالینی نشان می دهد که دانشمندان دانشکده پزشکی فاینبرگ دانشگاه نورث وسترن، با استفاده از روش «یادگیری ماشینی»(Machine learning) در داده‌های سوابق پزشکی، دریافتند که ذات‌الریه باکتریایی ثانویه که برطرف نمی‌شود، عامل اصلی مرگ در بیماران مبتلا به کووید-19 است.[1]

بر اساس این یافته‌ها، عفونت های باکتریایی حتی ممکن است از میزان مرگ و میر ناشی از خود عفونت ویروسی نیز فراتر رود. دانشمندان همچنین شواهدی پیدا کردند که نشان می‌دهد کووید-19 باعث ایجاد «طوفان سیتوکین» نمی‌شود، عاملی که در تبلیغات پزشکی و درمانی دوران کرونا، دائما به عنوان عامل اصلی مرگ بیماران مبتلا به «کووید» معرفی می شد.

بنجامین سینگر، نویسنده ارشد مقاله، استاد کرسی لارنس هیکس بیماری‌های ریه و مراقبت‌های ویژه در دانشگاه نورث‌وسترن،[2] در این باره گفت:

"مطالعه ما اهمیت پیشگیری، جستجو و درمان تهاجمی پنومونی باکتریایی ثانویه را در بیماران بدحال مبتلا به پنومونی شدید، از جمله مبتلایان به کووید-19 نشان می‌دهد."

محققان دریافتند که تقریباً نیمی از بیماران مبتلا به کووید-19 دچار پنومونی باکتریایی ثانویه مرتبط با دستگاه تهویه مکانیکی(VAP) یا همان «ونتیلاتور» می شوند.

سینگر می افزاید:

"کسانی که از ذات‌الریه ثانویه خود درمان شده‌اند، احتمالاً زنده می‌مانند، در حالی که آن‌هایی که ذات‌الریه آنها برطرف نشده است، احتمال مرگشان بیشتر است». داده‌های ما نشان می‌دهد که مرگ و میر مربوط به خود ویروس نسبتاً کم است، اما موارد دیگری که در طول اقامت در ICU رخ می‌دهد، مانند ذات‌الریه باکتریایی ثانویه، آن را جبران می‌کند."

سینگر، که متخصص بیوشیمی و ژنتیک مولکولی نیز هست، تاکید کرد:

"یافته‌های مطالعه همچنین نظریه طوفان سیتوکین را نفی می‌کند. اصطلاح "طوفان سیتوکین" به معنای التهاب شدیدی است که باعث نارسایی اندام در ریه‌ها، کلیه‌ها، مغز و سایر اندام‌ها می‌شود."

او افزود:

"اگر این درست بود، یعنی اگر طوفان سیتوکین زمینه‌ساز مدت طولانی بستری بود که در بیماران مبتلا به کووید-19 مشاهده می‌کنیم، انتظار می‌رفتیم که شاهد انتقال مکرر بیمار به حالت‌هایی باشیم که با نارسایی چند عضوی در بیمار مشخص می‌شوند. این چیزی نیست که ما دیدیم."

در این مطالعه 585 بیمار در بخش مراقبت های ویژه (ICU) در بیمارستان نورث وسترن مموریال با پنومونی شدید و نارسایی تنفسی مورد بررسی قرار گرفتند که 190 نفر از آنها مبتلا به کووید19 بودند. دانشمندان یک رویکرد یادگیری ماشینی جدید به نام CarpeDiem ایجاد کردند که بیمار-روزهای( patient-days) مشابه بستری در آی سی یو را بر اساس داده‌های پرونده سلامت الکترونیکی در حالت‌های بالینی دسته‌بندی می‌کند. این رویکرد بدیع، که مبتنی بر مفهوم دورهای روزانه توسط تیم ICU است، به آن‌ها اجازه داد تا بررسی کنند که چگونه عوارضی مانند ذات الریه باکتریایی بر روند بیماری تأثیر می گذارد.

این بیماران یا وابستگان مسوول آن‌ها موافقت کردند که در مطالعه موسوم به «پاسخ بالینی موفقیت‌آمیز به درمان پنومونی» (SCRIPT)، یک کارآزمایی مشاهده‌ای برای شناسایی نشانگرهای زیستی و درمان‌های جدید برای بیماران مبتلا به پنومونی شدید، ثبت نام کنند. به عنوان بخشی از SCRIPT، یک پانل متخصص از پزشکان ICU از تجزیه و تحلیل پیشرفته‌ی نمونه‌های ریه جمع‌آوری‌شده، به عنوان بخشی از مراقبت بالینی برای تشخیص و قضاوت در مورد پیامدهای رویدادهای ذات‌الریه ثانویه، استفاده کردند.

کاترین گائو، یکی از نویسندگان این مقاله و مدرس دانشکده پزشکی دانشگاه نورث‌وسترن در بخش بیماری‌های ریه و مراقبت‌های ویژه،[3] گفت:

"استفاده از یادگیری ماشینی و هوش مصنوعی در داده‌های بالینی می‌تواند برای توسعه راه‌های بهتر برای درمان بیماری‌هایی مانند COVID-19 و کمک به پزشکان ICU در مدیریت این بیماران استفاده شود."

پروفسور ریچارد ووندرینک، یکی از نویسندگان این مطالعه، که مسئول پاسخ بالینی موفق در مرکز زیست شناسی سیستم های درمان پنومونی در نورث وسترن است[4]، نیز گفت:

"اهمیت عفونت حادّ باکتریایی ریه به عنوان عاملی برای مرگ در بیماران مبتلا به کووید-19 نادیده گرفته شده است، زیرا اکثر مراکز درمانی به دنبال آن نبوده‌اند، یا فقط به نتایج از نظر وجود یا عدم وجود عفونت حادّ باکتریایی نگاه می کنند، نه این که آیا درمانی که انجام می شود. موفقیت آمیز است یا نه."

گام بعدی در این تحقیق استفاده از داده‌های مولکولی از نمونه‌های مطالعه و ادغام آن با رویکردهای یادگیری ماشینی برای درک این مساله است که چرا برخی از بیماران از ذات‌الریه درمان می‌شوند و برخی نه. محققین همچنین می‌خواهند این تکنیک را به مجموعه داده‌های بزرگ‌تر گسترش دهند و از این مدل برای پیش‌بینی‌هایی استفاده کنند که می‌تواند برای بهبود مراقبت از بیماران بدحال ریوی در مراکز درمانی به کار گرفته شود.

علاوه بر سه محقق نامبرده، 14 دانشمند و متخصص دیگر دانشگاه نورث‌وسترن در انجام این تحقیق و نوشتن مقاله همکاری داشتند.

این مطالعه توسط مؤسسه سیمپسون در مطالعات ریوی برای علوم کاربردی پشتیبانی شد و تحت گرنت U19AI135964 از مؤسسه ملی آلرژی و بیماری‌های عفونی مؤسسه ملی بهداشت بود.