Algorithme for beslutningsstøttesystem til COVID-19-diagnose

COVID-19 er en smitsom sygdom forårsaget af en nyopdaget Coronavirus, som først blev identificeret i Wuhan, Kina i december 2019. Derefter blev det nye coronavirus-udbrud beskrevet og annonceret som en pandemi af Verdenssundhedsorganisationen (WHO) den 11. marts 2020.

Omvendt transkription-polymerase-kædereaktion (RT-PCR) er i øjeblikket guldstandardtesten til diagnose af COVID-19. Ikke desto mindre afhænger diagnose og behandlingsbeslutninger på grund af dets høje falsk-negative rater (%10-50) ikke af RT-PCR alene. Klinisk præsentation af patient og radiologiske fund er også vigtig. Men hverken klinisk præsentation eller computertomografi (CT)-fund er specifikke for COVID-19. Som en konsekvens af disse udfordringer bliver diagnosen af ​​sygdommen og beskyttelsen af ​​samfundets sundhed vanskeligere. Efterforskerne af denne undersøgelse antog, at deep learning-baseret beslutningsstøttesystem kan hjælpe til en endelig diagnose af COVID-19. Målet er at udvikle en deep learning-baseret beslutningsstøttesystemalgoritme baseret på klinisk præsentation af patient-, laboratorie- og CT-fund og RT-PCR-data. Tidligere blev deep learning algoritmer med brug af almindeligt kendte dybe neurale netværksarkitekturer som Inception, UNet, ResNet udviklet. Men alle disse undersøgelser var baseret på CT-fund. Der er ikke nogen deep learning-undersøgelse i litteraturen, der kombinerer de kliniske, radiologiske og laboratorieresultater fra patienter.

Projektet er baseret på de tilgængelige data om COVID-19-patienter, som vil blive indhentet fra Sundhedsministeriet. Derefter vil dataene blive evalueret for relevans og pålidelighed og mærket til træning af maskine. Efter anonymiseringen af ​​data vil data blive behandlet i henhold til de forudbestemte inklusions-ekskluderingskriterier. Thorax CT-data vil blive mærket som typiske / ubestemte / atypiske / negative for COVID-19 lungebetændelse. Også CT-billeder af patienter med kendte ikke-COVID-19 sygdomme vil blive mærket til træning af maskine. Derefter vil feber, lymfocyttal, neutrofil-lymfocytforhold, kontaktoplysninger, RT-PCR-fund blive mærket. Efterfølgende vil patienterne blive mærket, og maskinen vil blive trænet med deep learning metode ved hjælp af disse grupperede og mærkede data. Efter træningsfasen vil algoritmen blive testet, og hvis maskinen når målspecificiteten og følsomheden, testes prototypen. Og så vil prototypen blive indlejret i hospitalets softwaresystem. Denne software og algoritme vil tjene som et tidligt advarselssystem for klinikere og give en bedre diagnostisk rate, især med faldende falsk-negative resultater. Virkningerne af en pandemi kan ikke kun måles ud fra antallet af diagnosticerede og isolerede personer eller behandling. En pandemi påvirker ikke kun samfundets sundhed, men også individers psykologiske status, uddannelse, undervisningsmetoder, arbejdsmodeller, daglige livsstil, producent/forbrugeradfærd, balance mellem udbud og efterspørgsel; med andre ord hvert eneste område af livet. Oven i købet forårsager en pandemi langsigtede skader, der er svære at vende. Softwaren vil øge de diagnostiske succesrater, hjælpe med at kontrollere pandemien og minimere de ovennævnte sideskader. Efterforskerne mener, at det produkt, der vil blive produceret i slutningen af ​​dette projekt, vil være til stor gavn for at kontrollere den sekundære bølge af COVID-19, der forventes at forekomme.