Algoritmo del sistema de apoyo a la decisión para el diagnóstico de COVID-19

COVID-19 es una enfermedad infecciosa causada por un coronavirus recién descubierto que se identificó por primera vez en Wuhan, China, en diciembre de 2019. Luego, el brote del nuevo coronavirus fue descrito y anunciado como una pandemia por la Organización Mundial de la Salud (OMS) el 11 de marzo de 2020.

La reacción en cadena de la polimerasa con transcripción inversa (RT-PCR) es actualmente la prueba estándar de oro para el diagnóstico de COVID-19. Sin embargo, debido a sus altas tasas de falsos negativos (%10-50), las decisiones de diagnóstico y tratamiento no dependen únicamente de la RT-PCR. La presentación clínica del paciente y los hallazgos radiológicos también son importantes. Sin embargo, ni la presentación clínica ni los hallazgos de la tomografía computarizada (TC) son específicos para COVID-19. Como consecuencia de estos desafíos, el diagnóstico de la enfermedad y la protección de la salud de la comunidad se vuelven más difíciles. Los investigadores de este estudio plantearon la hipótesis de que el sistema de apoyo a la toma de decisiones basado en el aprendizaje profundo podría ayudar al diagnóstico definitivo de la COVID-19. El objetivo es desarrollar un algoritmo de sistema de soporte de decisiones basado en aprendizaje profundo basado en la presentación clínica de los hallazgos del paciente, laboratorio y TC y datos de RT-PCR. Anteriormente, se desarrollaron algoritmos de aprendizaje profundo con el uso de arquitecturas de redes neuronales profundas ampliamente conocidas, como Inception, UNet, ResNet. Sin embargo, todos estos estudios se basaron en los hallazgos de la TC. No hay ningún estudio de aprendizaje profundo en la literatura que combine los hallazgos clínicos, radiológicos y de laboratorio de los pacientes.

El proyecto se basa en los datos disponibles de pacientes con COVID-19 que se obtendrán del Ministerio de Salud. Luego, los datos serán evaluados por relevancia y confiabilidad y etiquetados para el entrenamiento de la máquina. Tras la anonimización de los datos, los datos se procesarán de acuerdo con los criterios de inclusión-exclusión predeterminados. Los datos de TC de tórax se etiquetarán como típicos/indeterminados/atípicos/negativos para neumonía por COVID-19. Además, las imágenes de TC de pacientes con enfermedades no relacionadas con la COVID-19 conocidas se etiquetarán para el entrenamiento de la máquina. Luego, se etiquetarán la fiebre, el recuento de linfocitos, la proporción de neutrófilos a linfocitos, la información de contacto y los hallazgos de la RT-PCR. Posteriormente, los pacientes serán etiquetados y la máquina será entrenada con el método de aprendizaje profundo con la ayuda de estos datos agrupados y etiquetados. Después de la fase de entrenamiento, se probará el algoritmo y, si la máquina alcanza la especificidad y sensibilidad deseadas, se probará el prototipo. Y luego, el prototipo se integrará en el sistema de software del hospital. Este software y algoritmo servirán como un sistema de alerta temprana para los médicos y proporcionarán una mejor tasa de diagnóstico, especialmente con la disminución de los resultados falsos negativos. Los efectos de una pandemia no pueden medirse únicamente por el número de personas diagnosticadas y aisladas, o el tratamiento proporcionado. Una pandemia afecta no solo la salud de la comunidad sino también el estado psicológico de los individuos, la educación, los métodos de enseñanza, los modelos de trabajo, los estilos de vida cotidianos, los comportamientos de productores/consumidores, el equilibrio entre oferta y demanda; en otras palabras, cada área de la vida. Además de eso, una pandemia causa daños a largo plazo difíciles de revertir. El software aumentará las tasas de éxito del diagnóstico, ayudará a controlar la pandemia y minimizará los daños colaterales mencionados anteriormente. Los investigadores creen que el producto que se producirá al final de este proyecto será de gran beneficio para controlar la ola secundaria de COVID-19 que se espera que ocurra.