Algoritme voor beslissingsondersteunend systeem voor COVID-19-diagnose

COVID-19 is een besmettelijke ziekte die wordt veroorzaakt door een nieuw ontdekt coronavirus dat in december 2019 voor het eerst werd geïdentificeerd in Wuhan, China. Toen werd de nieuwe uitbraak van het coronavirus op 11 maart 2020 beschreven en aangekondigd als een pandemie door de Wereldgezondheidsorganisatie (WHO).

Reverse transcriptie-polymerasekettingreactie (RT-PCR) is momenteel de gouden standaardtest voor de diagnose van COVID-19. Desalniettemin zijn diagnose en behandelingsbeslissingen, vanwege de hoge fout-negatieve percentages (% 10-50), niet alleen afhankelijk van RT-PCR. Klinische presentatie van de patiënt en radiologische bevindingen zijn ook belangrijk. Noch de klinische presentatie, noch de bevindingen van computertomografie (CT) zijn echter specifiek voor COVID-19. Als gevolg van deze uitdagingen wordt de diagnose van de ziekte en de bescherming van de volksgezondheid moeilijker. De onderzoekers van deze studie veronderstelden dat een op deep learning gebaseerd beslissingsondersteunend systeem kan helpen bij de definitieve diagnose van COVID-19. Het doel is om een ​​op deep learning gebaseerd beslissingsondersteunend systeemalgoritme te ontwikkelen op basis van klinische presentatie van patiënt-, laboratorium- en CT-bevindingen en RT-PCR-gegevens. Eerder werden deep learning-algoritmen ontwikkeld met behulp van algemeen bekende deep neurale netwerkarchitecturen zoals Inception, UNet en ResNet. Al deze onderzoeken waren echter gebaseerd op CT-bevindingen. Er zijn geen diepgaande leerstudies in de literatuur die de klinische, radiologische en laboratoriumbevindingen van patiënten combineren.

Het project is gebaseerd op de beschikbare gegevens van COVID-19-patiënten die zullen worden verkregen van het ministerie van Volksgezondheid. Vervolgens worden de gegevens geëvalueerd op relevantie en betrouwbaarheid en gelabeld voor de training van de machine. Na het anonimiseren van de gegevens, worden de gegevens verwerkt volgens de vooraf bepaalde insluitings- en uitsluitingscriteria. Thorax CT-gegevens worden gelabeld als typisch / onbepaald / atypisch / negatief voor COVID-19-pneumonie. Ook zullen CT-beelden van patiënten met bekende niet-COVID-19-ziekten worden gelabeld voor de training van de machine. Vervolgens worden koorts, aantal lymfocyten, verhouding neutrofielen tot lymfocyten, contactgegevens en RT-PCR-bevindingen gelabeld. Vervolgens worden de patiënten gelabeld en wordt de machine getraind met een deep learning-methode met behulp van deze gegroepeerde en gelabelde gegevens. Na de trainingsfase wordt het algoritme getest en als de machine de beoogde specificiteit en gevoeligheid bereikt, wordt het prototype getest. En dan wordt het prototype ingebed in het softwaresysteem van het ziekenhuis. Deze software en algoritme zullen dienen als een systeem voor vroegtijdige waarschuwing voor clinici en zorgen voor een beter diagnostisch percentage, vooral bij afnemende fout-negatieve resultaten. De effecten van een pandemie kunnen niet alleen worden gemeten aan de hand van het aantal gediagnosticeerde en geïsoleerde mensen of het aantal verstrekte behandelingen. Een pandemie heeft niet alleen gevolgen voor de gezondheid van de gemeenschap, maar ook voor de psychologische status, het onderwijs, de onderwijsmethoden, de werkmodellen, de dagelijkse levensstijl, het gedrag van producenten/consumenten, het evenwicht tussen vraag en aanbod; met andere woorden elk gebied van het leven. Bovendien veroorzaakt een pandemie langdurige schade die moeilijk ongedaan te maken is. De software zal de slagingspercentages van de diagnose verhogen, helpen de pandemie onder controle te krijgen en de bovengenoemde bijkomende schade minimaliseren. De onderzoekers zijn van mening dat het product dat aan het einde van dit project zal worden geproduceerd, van groot nut zal zijn bij het beheersen van de secundaire golf van COVID-19 die naar verwachting zal optreden.