Algoritmo del sistema di supporto alle decisioni per la diagnosi di COVID-19

Il COVID-19 è una malattia infettiva causata da un nuovo Coronavirus scoperto per la prima volta a Wuhan, in Cina, nel dicembre 2019. Quindi il nuovo focolaio di coronavirus è stato descritto e annunciato come una pandemia dall'Organizzazione mondiale della sanità (OMS) l'11 marzo 2020.

La reazione a catena della polimerasi della trascrizione inversa (RT-PCR) è attualmente il test gold standard per la diagnosi di COVID-19. Tuttavia, a causa dei suoi alti tassi di falsi negativi (% 10-50), le decisioni diagnostiche e terapeutiche non dipendono solo dalla RT-PCR. Anche la presentazione clinica del paziente ei reperti radiologici sono importanti. Tuttavia, né la presentazione clinica né i risultati della tomografia computerizzata (TC) sono specifici per COVID-19. Come conseguenza di queste sfide, la diagnosi della malattia e la protezione della salute della comunità diventano più difficili. I ricercatori di questo studio hanno ipotizzato che il sistema di supporto decisionale basato sull'apprendimento profondo possa aiutare per la diagnosi definitiva di COVID-19. L'obiettivo è sviluppare un algoritmo di supporto decisionale basato sull'apprendimento profondo basato sulla presentazione clinica dei risultati del paziente, del laboratorio e della TC e sui dati RT-PCR. In precedenza, venivano sviluppati algoritmi di deep learning con l'uso di architetture di reti neurali profonde ampiamente conosciute come Inception, UNet, ResNet. Tuttavia, tutti questi studi erano basati sui risultati della TC. Non ci sono studi di deep learning in letteratura che combinino i risultati clinici, radiologici e di laboratorio dei pazienti.

Il progetto si basa sui dati disponibili dei pazienti COVID-19 che saranno ottenuti dal Ministero della Salute. Quindi i dati saranno valutati per pertinenza e affidabilità ed etichettati per l'addestramento della macchina. A seguito dell'anonimizzazione dei dati, i dati saranno trattati secondo i criteri di inclusione-esclusione prestabiliti. I dati della TC del torace saranno etichettati come tipici/indeterminati/atipici/negativi per la polmonite da COVID-19. Inoltre, le immagini TC di pazienti con malattie note non COVID-19 saranno etichettate per l'addestramento della macchina. Quindi, verranno etichettati febbre, conta dei linfociti, rapporto tra neutrofili e linfociti, informazioni di contatto, risultati RT-PCR. Successivamente, i pazienti verranno etichettati e la macchina verrà addestrata con il metodo del deep learning con l'aiuto di questi dati raggruppati ed etichettati. Dopo la fase di addestramento, l'algoritmo verrà testato e se la macchina raggiunge la specificità e la sensibilità target, verrà testato il prototipo. E poi, il prototipo sarà incorporato nel sistema software dell'ospedale. Questo software e algoritmo fungeranno da sistema di allerta precoce per i medici e forniranno un tasso diagnostico migliore, in particolare con la diminuzione dei risultati falsi negativi. Gli effetti di una pandemia non possono essere misurati solo dal numero di persone diagnosticate e isolate o dalle cure fornite. Una pandemia colpisce non solo la salute della comunità, ma anche lo stato psicologico, l'istruzione, i metodi di insegnamento, i modelli di lavoro, gli stili di vita quotidiani, i comportamenti produttore/consumatore, l'equilibrio tra domanda e offerta; in altre parole ogni singola area della vita. Inoltre, una pandemia provoca danni a lungo termine difficili da invertire. Il software aumenterà le percentuali di successo diagnostico, aiuterà a controllare la pandemia e ridurrà al minimo i danni collaterali sopra menzionati. Gli investigatori ritengono che il prodotto che sarà prodotto alla fine di questo progetto sarà di grande beneficio nel controllo dell'ondata secondaria di COVID-19 che dovrebbe verificarsi.