पृष्ठभूमि: COVID-19 बढ़ी हुई मृत्यु दर से जुड़ी विविध नैदानिक अभिव्यक्तियाँ प्रस्तुत करता है, फिर भी एक एकीकृत मृत्यु तंत्र अभी भी अज्ञात है; यहाँ, हम एक ऐसे तंत्र का सुझाव देते हैं जो मौतों को कम करने का एक सरल तरीका सुझाता है। यह कार्य मृत्यु दर के भविष्यवक्ताओं की पहचान करने के लिए मशीन लर्निंग का उपयोग करने वाले पिछले अध्ययनों से भिन्न है। पद्धति: रोग की प्रगति में एक गंभीर चरण में नैदानिक गिरावट को एक अलग "जंक्शन" के रूप में देखते हुए, हमने बिगड़ने वाले COVID-19 रोगियों के 173 मेडिकल रिकॉर्ड एकत्र किए और उन्हें दो समूहों में विभाजित किया: जिनकी मृत्यु हो गई (गैर-जीवित) और जो गिरावट के बाद ठीक हो गए (जीवित)। हमने नैदानिक गिरावट के समय के अनुसार रोगियों के मेडिकल रिकॉर्ड को संरेखित किया और मानक रक्त चरों का उपयोग करके दोनों समूहों की सांख्यिकीय रूप से तुलना की। परिणाम: समूहों के बीच महत्वपूर्ण अंतर केवल नैदानिक गिरावट के बाद पहले सप्ताह में सामने आए: गैर-जीवित रोगियों में lactate dehydrogenase ( p ≤ 0.0001) और D-dimer ( p ≤ 0.0001) में तेजी से, एक साथ वृद्धि देखी गई, जिसके बाद दूसरे सप्ताह में प्लेटलेट काउंट में कमी आई ( p ≤ 0.0001)। अन्य चर पूरे अस्पताल में भर्ती रहने के दौरान सुसंगत रहे। वृद्ध रोगियों ने समान लेकिन कम महत्वपूर्ण प्रतिक्रिया पैटर्न दिखाए। इन नैदानिक परिणामों के आधार पर, हमने परिकल्पना की कि COVID-19 में मृत्यु के तंत्र में गिरावट के दौरान एक अचानक ग्लाइकोलिटिक वृद्धि (glycolytic surge) शामिल होती है, जो समवर्ती हाइपोक्सिमिया और वायरस-प्रेरित माइटोकॉन्ड्रियोपैथी द्वारा संचालित होती है, जिसके परिणामस्वरूप चयापचय होमियोस्टैसिस में महत्वपूर्ण व्यवधान होता है, जिससे असंतुलित हेमोस्टेसिस और मृत्यु होती है। निष्कर्ष: हमारे निष्कर्ष COVID-19 उपचार में समय के महत्व पर प्रकाश डालते हैं। आसन्न गिरावट की भविष्यवाणी करने के लिए एक उपलब्ध मशीन लर्निंग एल्गोरिदम का उपयोग प्रोफाइलेक्टिक मैकेनिकल वेंटिलेशन और इष्टतम एंटीग्लाइकोलाइटिक थेरेपी के साथ शीघ्र, अल्पकालिक हस्तक्षेप को सक्षम बनाता है। इस दृष्टिकोण को लागू करने के लिए आगे प्रयोगात्मक और नैदानिक सत्यापन की आवश्यकता है। गैर-जीवित रोगियों में चयापचय से संबंधित आनुवंशिक या एपिजेनेटिक विसंगतियों की पहचान हमारी परिकल्पना का समर्थन करेगी और उच्च जोखिम वाले रोगियों को वर्गीकृत करने में सहायता करेगी।
Agur et al. (Thu,) ने इस प्रश्न का अध्ययन किया।