AI Reveals Hidden COVID-19 Deaths in the US
Μια νέα μελέτη που δημοσιεύθηκε στο περιοδικό Science Advances αποκαλύπτει την κλίμακα των θανάτων από COVID-19 στις Ηνωμένες Πολιτείες, αποκαλύπτοντας σοβαρές ανισότητες στην καταγραφή των θανάτων. Οι ερευνητές ανέπτυξαν ένα καινοτόμο μοντέλο μηχανικής μάθησης (ML) για να εκτιμήσουν θανάτους που δεν είχαν αναγνωριστεί, οι οποίοι καταγράφηκαν ως θάνατοι από άλλες αιτίες.
Ανακαλύπτοντας τους Αγνοούμενους Θανάτους
Η ανάλυση αποκάλυψε ότι το ιατρικό σύστημα αναφοράς των ΗΠΑ πιθανόν να μην αναγνώρισε 155,536 θανάτους από COVID-19, οι οποίοι καταγράφηκαν επισήμως ως θάνατοι από άλλες αιτίες. Αξιοσημείωτο είναι ότι οι θάνατοι αυτοί συνέβησαν σε μεγάλο ποσοστό σε περιθωριοποιημένες φυλετικές ομάδες, όπως οι Ισπανόφωνοι, οι Αμερικανοί Ινδιάνοι/Αλάσκα Νέιτιβ και οι Μαύροι.
Συστηματικές Ανισότητες στην Καταγραφή Θανάτων
Η μελέτη έδειξε ότι η ανακριβής καταγραφή ήταν σημαντικά υψηλότερη σε άτομα με λιγότερη εκπαίδευση και σε κατοίκους του Αμερικανικού Νότου. Αυτό υποδηλώνει ότι υπάρχουν συστηματικές ανισότητες στο σύστημα διερεύνησης θανάτων της χώρας, αντί να είναι απλώς απόδειξη αποτυχίας του συστήματος.
Η ακριβής αναφορά επιδημιολογικών δεδομένων, και ειδικότερα των θανάτων, θεωρείται θεμέλιος λίθος του σύγχρονου ιατρικού συστήματος, καθώς επιτρέπει στους υπεύθυνους να κατανέμουν πόρους και να σχεδιάζουν αποτελεσματικές πολιτικές κατά τη διάρκεια κρίσεων. Ωστόσο, η πρόσφατη πανδημία COVID-19 έχει επικριθεί ως παράδειγμα κατάρρευσης αυτού του συστήματος, με ολοένα και περισσότερα στοιχεία να δείχνουν ότι η αναφορά ήταν συχνά καθυστερημένη ή ελλιπής.
Η Σημασία της Ακριβούς Καταγραφής
Παραδοσιακά, οι μελέτες χρησιμοποιούσαν κυρίως στατιστικά μοντέλα «υπερβάλλουσας θνησιμότητας» για να εκτιμήσουν το κόστος της πανδημίας, συγκρίνοντας τους πραγματικούς θανάτους με ιστορικές τάσεις. Ωστόσο, αυτά τα μοντέλα δεν μπορούν να προσδιορίσουν με ακρίβεια την αιτία θανάτου. Έτσι, η διάκριση μεταξύ θανάτου από άμεση λοίμωξη COVID-19 και θανάτου λόγω έμμεσων παραγόντων που σχετίζονται με την πανδημία, όπως η καθυστέρηση σε χειρουργικές επεμβάσεις ή το οικονομικό άγχος λόγω lockdown, παρέμενε αδύνατη μέχρι τώρα.
Η παρούσα μελέτη επιδιώκει να γεφυρώσει αυτό το κενό γνώσης, αξιοποιώντας τις πρόσφατες υπολογιστικές εξελίξεις για να εκπαιδεύσει προβλεπτικά μοντέλα ML σε ένα μεγάλο εθνικό σύνολο δεδομένων θανάτων. Το μοντέλο Extreme Gradient Boosting (XGBoost) επιλέχθηκε για την υψηλή του ακρίβεια στην προβλεπτική ικανότητα.
Η μελέτη περιλάμβανε 3.85 εκατομμύρια πιστοποιητικά θανάτου «εκτός νοσοκομείου» από ενήλικες ηλικίας 25 ετών και άνω, προσδιορίζοντας μέχρι 20 υποκείμενες και συμβάλλουσες αιτίες θανάτου. Αυτή η ανάλυση αναδεικνύει την ανάγκη για καλύτερη καταγραφή και κατανόηση των θανάτων που σχετίζονται με την COVID-19, προκειμένου να διασφαλιστεί η δίκαιη και ακριβής αναφορά των θανάτων στο μέλλον.
