Algorytm Systemu Wspomagania Decyzji w Diagnozie COVID-19

COVID-19 to choroba zakaźna wywołana przez nowo odkrytego koronawirusa, który został po raz pierwszy zidentyfikowany w Wuhan w Chinach w grudniu 2019 r. Następnie nowa epidemia koronawirusa została opisana i ogłoszona przez Światową Organizację Zdrowia (WHO) 11 marca 2020 r. jako pandemia.

Reakcja łańcuchowa polimerazy z odwrotną transkrypcją (RT-PCR) jest obecnie złotym standardem w diagnostyce COVID-19. Niemniej jednak, ze względu na wysoki odsetek wyników fałszywie ujemnych (% 10-50), decyzje dotyczące diagnozy i leczenia nie zależą wyłącznie od RT-PCR. Ważny jest również obraz kliniczny pacjenta i wyniki badań radiologicznych. Jednak ani obraz kliniczny, ani wyniki tomografii komputerowej (CT) nie są specyficzne dla COVID-19. W konsekwencji tych wyzwań diagnostyka choroby i ochrona zdrowia społeczności stają się coraz trudniejsze. Badacze tego badania postawili hipotezę, że system wspomagania decyzji oparty na głębokim uczeniu się może pomóc w ostatecznej diagnozie COVID-19. Celem jest opracowanie algorytmu systemu wspomagania decyzji opartego na głębokim uczeniu się, opartego na prezentacji klinicznej pacjenta, wynikach badań laboratoryjnych i CT oraz danych RT-PCR. Wcześniej opracowywane były algorytmy głębokiego uczenia z wykorzystaniem powszechnie znanych architektur głębokich sieci neuronowych, takich jak Inception, UNet, ResNet. Jednak wszystkie te badania opierały się na wynikach tomografii komputerowej. W literaturze nie ma żadnego badania głębokiego uczenia łączącego wyniki kliniczne, radiologiczne i laboratoryjne pacjentów.

Projekt opiera się na dostępnych danych pacjentów z COVID-19, które zostaną pozyskane z Ministerstwa Zdrowia. Następnie dane zostaną ocenione pod kątem przydatności i wiarygodności oraz oznaczone do szkolenia maszyny. Po anonimizacji danych, dane będą przetwarzane zgodnie z wcześniej ustalonymi kryteriami włączenia/wyłączenia. Dane z tomografii komputerowej klatki piersiowej zostaną oznaczone jako typowe/nieokreślone/atypowe/ujemne dla zapalenia płuc COVID-19. Również obrazy tomografii komputerowej pacjentów ze znanymi chorobami innymi niż COVID-19 zostaną oznaczone w celu szkolenia maszyny. Następnie oznaczona zostanie gorączka, liczba limfocytów, stosunek liczby neutrofilów do limfocytów, dane kontaktowe, wyniki RT-PCR. Następnie pacjenci zostaną oznakowani, a maszyna zostanie przeszkolona metodą głębokiego uczenia za pomocą tych pogrupowanych i oznakowanych danych. Po fazie szkolenia algorytm zostanie przetestowany, a jeśli maszyna osiągnie docelową specyficzność i czułość, przetestowany zostanie prototyp. Następnie prototyp zostanie osadzony w systemie oprogramowania szpitala. To oprogramowanie i algorytm będą służyć klinicystom jako system wczesnego ostrzegania i zapewnią lepszą diagnostykę, zwłaszcza przy malejącej liczbie wyników fałszywie ujemnych. Skutki pandemii nie mogą być mierzone wyłącznie liczbą osób zdiagnozowanych i odizolowanych, czy udzielonym leczeniem. Pandemia wpływa nie tylko na zdrowie społeczności, ale także na stan psychiczny jednostek, edukację, metody nauczania, modele pracy, codzienny styl życia, zachowania producentów/konsumentów, równowagę podaży/popytu; innymi słowy każdą dziedzinę życia. Co więcej, pandemia powoduje długotrwałe i trudne do odwrócenia szkody. Oprogramowanie zwiększy skuteczność diagnostyki, pomoże opanować pandemię i zminimalizuje wspomniane wyżej szkody uboczne. Badacze uważają, że produkt, który zostanie wyprodukowany pod koniec tego projektu, będzie bardzo przydatny w kontrolowaniu spodziewanej wtórnej fali COVID-19.