Algorithme du système d'aide à la décision pour le diagnostic COVID-19

Le COVID-19 est une maladie infectieuse causée par un coronavirus récemment découvert qui a été identifié pour la première fois à Wuhan, en Chine, en décembre 2019. Ensuite, la nouvelle épidémie de coronavirus a été décrite et annoncée comme une pandémie par l'Organisation mondiale de la santé (OMS) le 11 mars 2020.

La réaction en chaîne de transcription inverse-polymérase (RT-PCR) est actuellement le test de référence pour le diagnostic de COVID-19. Néanmoins, en raison de ses taux élevés de faux négatifs (% 10-50), les décisions de diagnostic et de traitement ne dépendent pas uniquement de la RT-PCR. La présentation clinique du patient et les résultats radiologiques sont également importants. Cependant, ni la présentation clinique ni les résultats de la tomodensitométrie (TDM) ne sont spécifiques au COVID-19. En conséquence de ces défis, le diagnostic de la maladie et la protection de la santé de la communauté deviennent plus difficiles. Les enquêteurs de cette étude ont émis l'hypothèse que le système d'aide à la décision basé sur l'apprentissage en profondeur pourrait aider au diagnostic définitif de COVID-19. L'objectif est de développer un algorithme de système d'aide à la décision basé sur l'apprentissage profond basé sur la présentation clinique des résultats du patient, du laboratoire et du scanner et des données RT-PCR. Auparavant, des algorithmes d'apprentissage en profondeur utilisant des architectures de réseaux de neurones profonds largement connues telles que Inception, UNet, ResNet ont été développés. Cependant, toutes ces études étaient basées sur les résultats de la tomodensitométrie. Il n'y a pas d'étude d'apprentissage en profondeur dans la littérature combinant les résultats cliniques, radiologiques et de laboratoire des patients.

Le projet est basé sur les données disponibles des patients COVID-19 qui seront obtenues auprès du ministère de la Santé. Ensuite, les données seront évaluées pour leur pertinence et leur fiabilité et étiquetées pour la formation de la machine. Suite à l'anonymisation des données, les données seront traitées selon les critères d'inclusion-exclusion prédéterminés. Les données CT du thorax seront étiquetées comme typiques / indéterminées / atypiques / négatives pour la pneumonie COVID-19. De plus, les images CT de patients atteints de maladies connues non COVID-19 seront étiquetées pour la formation de la machine. Ensuite, la fièvre, le nombre de lymphocytes, le rapport neutrophiles/lymphocytes, les coordonnées, les résultats de la RT-PCR seront étiquetés. Par la suite, les patients seront étiquetés et la machine sera entraînée avec une méthode d'apprentissage en profondeur à l'aide de ces données groupées et étiquetées. Après la phase de formation, l'algorithme sera testé et si la machine atteint la spécificité et la sensibilité ciblées, le prototype sera testé. Et ensuite, le prototype sera intégré dans le système logiciel de l'hôpital. Ce logiciel et cet algorithme serviront de système d'alerte précoce pour les cliniciens et fourniront un meilleur taux de diagnostic, en particulier avec une diminution des résultats faux négatifs. Les effets d'une pandémie ne peuvent pas être mesurés uniquement par le nombre de personnes diagnostiquées et isolées, ou de traitement fourni. Une pandémie affecte non seulement la santé de la communauté mais aussi l'état psychologique des individus, l'éducation, les méthodes d'enseignement, les modèles de travail, les modes de vie quotidiens, les comportements des producteurs/consommateurs, l'équilibre offre/demande ; en d'autres termes, tous les domaines de la vie. En plus de cela, une pandémie cause des dommages à long terme difficiles à inverser. Le logiciel augmentera les taux de réussite des diagnostics, aidera à contrôler la pandémie et minimisera les dommages collatéraux mentionnés ci-dessus. Les enquêteurs pensent que le produit qui sera produit à la fin de ce projet sera d'une grande utilité pour contrôler la vague secondaire de COVID-19 qui devrait se produire.