Анализ крови, взятый в момент заражения вирусом COVID-19, может предсказать, у кого наиболее вероятно развитие длительного COVID, говорится в новом небольшом исследовании, проведенном под руководством ученых Калифорнийского университета. В исследовании, результаты которого опубликованы в журнале eBioMedicine, анализировались белки в крови медицинских работников, инфицированных SARS-CoV-2, и сравнивались с образцами медицинских работников, которые не были инфицированы. Обычно уровень белков в организме стабилен, но исследователи обнаружили резкое различие в уровнях некоторых белков в течение шести недель после заражения, что свидетельствует о нарушении ряда важных биологических процессов. Используя алгоритм искусственного интеллекта (ИИ), они определили «сигнатуру» в количестве различных белков, которая успешно предсказывала, будут ли у человека сохраняться симптомы через год после заражения. Для исследования ученые проанализировали образцы плазмы крови 54 медицинских работников с подтвержденной ПЦР или антителами инфекцией, которые брались каждую неделю в течение шести недель весной 2020 года, и сравнили их с образцами, взятыми за тот же период у 102 медицинских работников, которые не были инфицированы. Для изучения влияния COVID-19 на эти белки в течение шести недель они использовали направленную масс-спектрометрию - вид анализа, чрезвычайно чувствительный к крошечным изменениям количества белков в плазме крови. Исследователи обнаружили аномально высокие уровни 12 белков из 91 исследованного среди инфицированных SARS-CoV-2, причем степень отклонения от нормы зависела от тяжести симптомов. Исследовательская группа обнаружила, что в момент первого заражения аномальные уровни 20 изученных белков предсказывали сохранение симптомов через год. Большинство из этих белков были связаны с антикоагулянтными (противосвертывающими) и противовоспалительными процессами. Алгоритм машинного обучения смог отличить всех 11 медицинских работников, которые сообщили хотя бы об одном стойком симптоме через год, от инфицированных медицинских работников, которые не сообщили о стойких симптомах через год. Другой инструмент машинного обучения был использован для оценки вероятности ошибки и предположил, что возможный уровень ошибки для этого метода составляет 6%.