Entscheidungsunterstützungssystem-Algorithmus für die COVID-19-Diagnose

COVID-19 ist eine Infektionskrankheit, die durch ein neu entdecktes Coronavirus verursacht wird, das erstmals im Dezember 2019 in Wuhan, China, identifiziert wurde. Dann wurde der Ausbruch des neuartigen Coronavirus am 11. März 2020 von der Weltgesundheitsorganisation (WHO) als Pandemie beschrieben und angekündigt.

Die Reverse-Transkriptions-Polymerase-Kettenreaktion (RT-PCR) ist derzeit der Goldstandardtest für die Diagnose von COVID-19. Aufgrund der hohen Falsch-Negativ-Rate (10–50 %) hängen Diagnose- und Behandlungsentscheidungen jedoch nicht allein von der RT-PCR ab. Wichtig sind auch die klinische Patientendarstellung und der radiologische Befund. Allerdings sind weder das klinische Erscheinungsbild noch die Ergebnisse der Computertomographie (CT) spezifisch für COVID-19. Als Folge dieser Herausforderungen werden die Diagnose der Krankheit und der Schutz der Gesundheit der Bevölkerung immer schwieriger. Die Forscher dieser Studie stellten die Hypothese auf, dass ein auf Deep Learning basierendes Entscheidungsunterstützungssystem zur endgültigen Diagnose von COVID-19 beitragen könnte. Ziel ist die Entwicklung eines Deep-Learning-basierten Entscheidungsunterstützungssystemalgorithmus basierend auf der klinischen Präsentation von Patienten-, Labor- und CT-Befunden sowie RT-PCR-Daten. Zuvor wurden Deep-Learning-Algorithmen unter Verwendung weithin bekannter Deep-Neuronal-Network-Architekturen wie Inception, UNet, ResNet entwickelt. Alle diese Studien basierten jedoch auf CT-Befunden. In der Literatur gibt es keine Deep-Learning-Studie, die die klinischen, radiologischen und Laborbefunde von Patienten kombiniert.

Das Projekt basiert auf den verfügbaren Daten von COVID-19-Patienten, die vom Gesundheitsministerium eingeholt werden. Anschließend werden die Daten auf Relevanz und Zuverlässigkeit ausgewertet und für das Maschinentraining gekennzeichnet. Nach der Anonymisierung der Daten werden die Daten gemäß den vorgegebenen Einschluss-/Ausschlusskriterien verarbeitet. Thorax-CT-Daten werden als typisch/unbestimmt/atypisch/negativ für eine COVID-19-Pneumonie gekennzeichnet. Außerdem werden CT-Bilder von Patienten mit bekannten Nicht-COVID-19-Erkrankungen für das maschinelle Training gekennzeichnet. Anschließend werden Fieber, Lymphozytenzahl, Neutrophilen-Lymphozyten-Verhältnis, Kontaktinformationen und RT-PCR-Befunde beschriftet. Anschließend werden die Patienten gekennzeichnet und die Maschine mithilfe dieser gruppierten und gekennzeichneten Daten mit der Deep-Learning-Methode trainiert. Im Anschluss an die Trainingsphase wird der Algorithmus getestet und wenn die Maschine die Zielspezifität und -empfindlichkeit erreicht, wird der Prototyp getestet. Anschließend wird der Prototyp in das Softwaresystem des Krankenhauses eingebettet. Diese Software und dieser Algorithmus dienen als Frühwarnsystem für Ärzte und sorgen für eine bessere Diagnoserate, insbesondere bei abnehmenden falsch-negativen Ergebnissen. Die Auswirkungen einer Pandemie lassen sich nicht allein an der Zahl der diagnostizierten und isolierten Menschen oder der bereitgestellten Behandlung messen. Eine Pandemie beeinträchtigt nicht nur die Gesundheit der Gemeinschaft, sondern auch den psychologischen Status, die Bildung, die Lehrmethoden, die Arbeitsmodelle, den täglichen Lebensstil, das Produzenten-/Konsumentenverhalten des Einzelnen und das Gleichgewicht zwischen Angebot und Nachfrage. also jeden einzelnen Lebensbereich. Darüber hinaus verursacht eine Pandemie langfristige Schäden, die schwer wiedergutzumachen sind. Die Software wird die diagnostischen Erfolgsraten erhöhen, zur Eindämmung der Pandemie beitragen und die oben genannten Kollateralschäden minimieren. Die Forscher gehen davon aus, dass das Produkt, das am Ende dieses Projekts hergestellt wird, von großem Nutzen bei der Kontrolle der erwarteten sekundären Welle von COVID-19 sein wird.