Algoritme for beslutningsstøttesystem for COVID-19-diagnose

COVID-19 er en smittsom sykdom forårsaket av et nyoppdaget koronavirus som først ble identifisert i Wuhan, Kina i desember 2019. Så ble det nye koronavirusutbruddet beskrevet og annonsert som en pandemi av Verdens helseorganisasjon (WHO) 11. mars 2020.

Omvendt transkripsjon-polymerasekjedereaksjon (RT-PCR) er for tiden gullstandardtesten for diagnose av COVID-19. Ikke desto mindre, på grunn av dens høye falsk-negative rater (%10-50), avhenger ikke diagnose- og behandlingsbeslutninger av RT-PCR alene. Klinisk presentasjon av pasient- og radiologiske funn er også viktig. Imidlertid er verken klinisk presentasjon eller datatomografi (CT)-funn spesifikke for COVID-19. Som en konsekvens av disse utfordringene blir diagnosen av sykdommen og beskyttelsen av samfunnets helse vanskeligere. Etterforskerne av denne studien antok at dyplæringsbasert beslutningsstøttesystem kan hjelpe til med en definitiv diagnose av COVID-19. Målet er å utvikle en dyp læringsbasert beslutningsstøttesystemalgoritme basert på klinisk presentasjon av pasient-, laboratorie- og CT-funn og RT-PCR-data. Tidligere ble deep learning algoritmer med bruk av kjente dype nevrale nettverksarkitekturer som Inception, UNet, ResNet utviklet. Imidlertid var alle disse studiene basert på CT-funn. Det finnes ingen dyplæringsstudier i litteraturen som kombinerer de kliniske, radiologiske og laboratoriefunnene til pasienter.

Prosjektet er basert på tilgjengelige data om COVID-19-pasienter som vil bli innhentet fra Helsedepartementet. Deretter vil dataene bli evaluert for relevans og pålitelighet og merket for opplæring av maskin. Etter anonymisering av data vil data bli behandlet i henhold til de forhåndsbestemte inkluderings-ekskluderingskriteriene. Thorax CT-data vil bli merket som typiske / ubestemte / atypiske / negative for COVID-19 lungebetennelse. CT-bilder av pasienter med kjente ikke-COVID-19 sykdommer vil også bli merket for trening av maskin. Deretter vil feber, antall lymfocytter, nøytrofil til lymfocytt-forhold, kontaktinformasjon, RT-PCR-funn bli merket. Deretter vil pasientene merkes og maskinen trenes med dyp læringsmetode ved hjelp av disse grupperte og merkede dataene. Etter treningsfasen vil algoritmen bli testet og hvis maskinen når målspesifisiteten og sensitiviteten, vil prototypen bli testet. Og så vil prototypen bli innebygd i sykehusets programvaresystem. Denne programvaren og algoritmen vil tjene som et tidlig varslingssystem for klinikere og gi en bedre diagnostisk rate, spesielt med avtagende falsk-negative resultater. Effektene av en pandemi kan ikke måles bare ved antall personer som er diagnostisert og isolert, eller gitt behandling. En pandemi påvirker ikke bare samfunnets helse, men også individers psykologiske status, utdanning, undervisningsmetoder, arbeidsmodeller, daglige livsstiler, produsent-/forbrukeratferd, balanse mellom tilbud og etterspørsel; med andre ord hvert eneste område av livet. På toppen av det, forårsaker en pandemi langsiktige skader som er vanskelige å reversere. Programvaren vil øke de diagnostiske suksessratene, bidra til å kontrollere pandemien og minimere sikkerhetsskadene nevnt ovenfor. Etterforskerne mener at produktet som vil bli produsert på slutten av dette prosjektet vil være til stor nytte for å kontrollere den sekundære bølgen av COVID-19 som forventes å oppstå.