Päätöksen tukijärjestelmän algoritmi COVID-19-diagnoosille

COVID-19 on tartuntatauti, jonka aiheuttaa vasta löydetty koronavirus, joka tunnistettiin ensimmäisen kerran Wuhanissa, Kiinassa joulukuussa 2019. Sitten Maailman terveysjärjestö (WHO) kuvaili ja julisti uuden koronavirusepidemian pandemiaksi 11. maaliskuuta 2020.

Käänteistranskriptiopolymeraasiketjureaktio (RT-PCR) on tällä hetkellä kultainen standardi testi COVID-19-diagnoosissa. Siitä huolimatta, koska se on korkea väärien negatiivinen (% 10-50), diagnoosi- ja hoitopäätökset eivät riipu pelkästään RT-PCR:stä. Myös potilaan kliininen esittely ja radiologiset löydökset ovat tärkeitä. Kliininen esitys tai tietokonetomografia (CT) eivät kuitenkaan ole erityisiä COVID-19:lle. Näiden haasteiden seurauksena taudin diagnosointi ja yhteisön terveyden suojelu vaikeutuvat. Tämän tutkimuksen tutkijat olettivat, että syvään oppimiseen perustuva päätöksenteon tukijärjestelmä voi auttaa lopullisessa COVID-19-diagnoosissa. Tavoitteena on kehittää syvään oppimiseen perustuva päätöksenteon tukijärjestelmäalgoritmi, joka perustuu potilaan kliiniseen esitykseen, laboratorio- ja CT-löydöksiin sekä RT-PCR-tietoihin. Aikaisemmin kehitettiin syväoppimisalgoritmeja, joissa käytettiin laajalti tunnettuja syvän neuroverkkoarkkitehtuuria, kuten Inception, UNet, ResNet. Kaikki nämä tutkimukset perustuivat kuitenkin CT-löydöksiin. Kirjallisuudessa ei ole syvällistä oppimistutkimusta, jossa yhdistettäisiin potilaiden kliiniset, radiologiset ja laboratoriolöydökset.

Hanke perustuu saatavilla oleviin COVID-19-potilaiden tietoihin, jotka saadaan terveysministeriöltä. Sen jälkeen tietojen relevanssi ja luotettavuus arvioidaan ja merkitään koneen koulutusta varten. Tietojen anonymisoinnin jälkeen tietoja käsitellään ennalta määritettyjen sisällyttämis- ja poissulkemiskriteerien mukaisesti. Rintakehän CT-tiedot merkitään COVID-19-keuhkokuumeen tyypillisiksi / määrittelemättömiksi / epätyypillisiksi / negatiivisiksi. Myös TT-kuvat potilaista, joilla on tunnettuja muita kuin COVID-19-sairauksia, merkitään koneen harjoittelua varten. Sitten kuume, lymfosyyttien määrä, neutrofiilien ja lymfosyyttien suhde, yhteystiedot ja RT-PCR-löydökset merkitään. Tämän jälkeen potilaat merkitään ja konetta koulutetaan syväoppimismenetelmällä näiden ryhmiteltyjen ja merkittyjen tietojen avulla. Harjoitusvaiheen jälkeen algoritmi testataan ja jos kone saavuttaa tavoitespesifisyyden ja -herkkyyden, prototyyppi testataan. Ja sitten prototyyppi upotetaan sairaalan ohjelmistojärjestelmään. Tämä ohjelmisto ja algoritmi toimivat kliinikoille varhaisvaroitusjärjestelmänä ja tarjoavat paremman diagnostiikan varsinkin, kun väärien negatiivisten tulosten määrä vähenee. Pandemian vaikutuksia ei voida mitata pelkästään diagnosoitujen ja eristettyjen ihmisten määrällä tai hoidetuilla. Pandemia ei vaikuta ainoastaan ​​yhteisön terveyteen, vaan myös yksilöiden psyykkiseen tilaan, koulutukseen, opetusmenetelmiin, työmalleihin, päivittäiseen elämäntyyliin, tuottajan/kuluttajan käyttäytymiseen, tarjonnan/kysynnän tasapainoon; toisin sanoen jokaisella elämänalueella. Lisäksi pandemia aiheuttaa pitkäaikaisia ​​vahinkoja, joita on vaikea peruuttaa. Ohjelmisto lisää diagnostiikan onnistumisastetta, auttaa hallitsemaan pandemiaa ja minimoi edellä mainitut sivuvahingot. Tutkijat uskovat, että tämän projektin lopussa tuotetusta tuotteesta on suurta hyötyä COVID-19:n odotettavissa olevan toissijaisen aallon hallinnassa.