Caractériser les sous-types de Covid long
Les chercheurs sont partis du constat que les méthodes informatiques permettant de caractériser les sous-types longs de Covid sur la base d’une analyse phénotypique complète faisaient défaut, tout comme les approches permettant d’évaluer la généralisabilité des grappes résultantes dans différentes cohortes de patients. Pour leur étude, ils ont construit une cohorte de 6469 patients diagnostiqués avec un long Coviden utilisant le code U09.9 à partir des données des dossiers de santé électroniques (DSE) multicentriques disponibles via le National COVID Cohort Collaborative (N3C), un référentiel harmonisé de DSE avec 5 434 528 patients COVID-19 positifs au 10 août 2022. Leur approche calcule la similitude sémantique entre les patients en transformant les données du DSE en profils phénotypiques à l’aide du HPO (ontologie du phénotype humain). La méthode identifie des groupes distincts de patients Covid long qui présentent des corrélations très significatives avec des conditions préexistantes et se généralisent dans différents systèmes hospitaliers. Justin Reese déclare :"Fondamentalement, nous avons trouvé de longues caractéristiques COVID dans les données du DSE pour chaque patient COVID long, puis évalué la similitude patient-patient en utilisant la similitude sémantique, ce qui permet essentiellement une correspondance floue entre les caractéristiques - par exemple, "toux " n’est pas la même chose que "essoufflement" , mais elles sont similaires car elles impliquent toutes deux des problèmes pulmonaires . Nous comparons tous les symptômes de la paire de patients de cette manière et obtenons un score de la similitude des deux patients COVID longs. Nous pouvons ensuite effectuer un apprentissage automatique non supervisé sur ces scores pour trouver différents sous-types de COVID long".Ils ont appliqué l’apprentissage automatique à ces scores de similitude patient-patient pour regrouper les patients en groupes, qui ont ensuite été caractérisés en analysant les relations entre les symptômes et les maladies préexistantes et d’autres caractéristiques démographiques, telles que l’âge, le sexe ou la race.
Limitations de cette approche
Les chercheurs ont utilisé pour cette étude le nouveau code CIM U09.9 pour identifier les patients atteints de Covid long. Or, le nombre de patients étiquetés disponible pour l'analyse était alors faible et peu représentatif de la population américaine. Ainsi, la proportion d’Afro-Américains de l'étude n'était que d'environ 5%Conclusions de l'étude
Pour les chercheurs, il y a une association significative entre l’appartenance à une grappe et une gamme de conditions préexistantes avec les taux de gravité durant la COVID-19 aiguë. L’une des grappes (laboratoire multisystémique) était associée à des manifestations graves et affichait une mortalité accrue, et d’autres grappes présentaient un enrichissement pour les maladies pulmonaires, neuropsychiatriques, cardiovasculaires, douleur/fatigue, et un profil multisystémique/douleur non associé à une augmentation significative de la mortalité. Le regroupement phénotypique sémantique pourrait ainsi fournir une base pour assigner les patients à des sous-groupes stratifiés pour des études d’histoire naturelle ou de thérapie. Référence : "Generalisable long COVID subtypes : Findings from the NIH N3C and RECOVER programmes", EBioMedicine, 21 décembre 2022, https://doi.org/10.1016/j.ebiom.2022.104413 Auteurs : Justin T. Reese, Hannah Blau, Elena Casiraghi, Timothy Bergquist, Johanna J. Loomba, Tiffany J. Callahan, Bryan Laraway, Corneliu Antonescu, Ben Coleman, Michael Gargano, Kenneth J. Wilkins, Luca Cappelletti, Tommaso Fontana, Nariman Ammar, Peter N. Robinson et al.
Nos articles remonteront en priorité dans « À la une » de Google.