Алгоритм системы поддержки принятия решений для диагностики COVID-19

COVID-19 — это инфекционное заболевание, вызываемое недавно открытым коронавирусом, который был впервые обнаружен в Ухане, Китай, в декабре 2019 года. Затем вспышка нового коронавируса была описана и объявлена ​​Всемирной организацией здравоохранения (ВОЗ) пандемией 11 марта 2020 года.

Полимеразная цепная реакция с обратной транскрипцией (ОТ-ПЦР) в настоящее время является золотым стандартом диагностики COVID-19. Тем не менее, из-за высокого уровня ложноотрицательных результатов (10–50 %), решения о диагностике и лечении зависят не только от ОТ-ПЦР. Клиническая картина пациента и рентгенологические данные также важны. Однако ни клиническая картина, ни результаты компьютерной томографии (КТ) не являются специфическими для COVID-19. Вследствие этих проблем диагностика заболевания и охрана здоровья населения становятся более трудными. Исследователи этого исследования предположили, что система поддержки принятия решений на основе глубокого обучения может помочь в окончательной диагностике COVID-19. Цель состоит в том, чтобы разработать алгоритм системы поддержки принятия решений на основе глубокого обучения, основанный на клинической картине пациента, лабораторных и КТ-результатах и ​​данных ОТ-ПЦР. Ранее были разработаны алгоритмы глубокого обучения с использованием широко известных архитектур глубоких нейронных сетей, таких как Inception, UNet, ResNet. Однако все эти исследования были основаны на данных КТ. В литературе нет исследований глубокого обучения, объединяющих клинические, радиологические и лабораторные данные пациентов.

Проект основан на имеющихся данных о больных COVID-19, которые будут получены от Минздрава. Затем данные будут оценены на актуальность и достоверность и помечены для обучения машины. После анонимизации данных данные будут обрабатываться в соответствии с заранее установленными критериями включения-исключения. Данные КТ грудной клетки будут помечены как типичные/неопределенные/атипичные/отрицательные для пневмонии COVID-19. Кроме того, КТ-изображения пациентов с известными заболеваниями, не связанными с COVID-19, будут помечены для обучения машины. Затем будут отмечены лихорадка, количество лимфоцитов, соотношение нейтрофилов и лимфоцитов, контактная информация, результаты ОТ-ПЦР. Впоследствии пациенты будут помечены, и машина будет обучена методом глубокого обучения с помощью этих сгруппированных и помеченных данных. После этапа обучения алгоритм будет протестирован, и если машина достигнет целевой специфичности и чувствительности, будет протестирован прототип. Затем прототип будет встроен в программную систему больницы. Это программное обеспечение и алгоритм будут служить системой раннего предупреждения для клиницистов и обеспечат более высокую скорость диагностики, особенно с уменьшением ложноотрицательных результатов. Последствия пандемии нельзя измерять только количеством диагностированных и изолированных людей или предоставленным лечением. Пандемия влияет не только на здоровье населения, но и на психологическое состояние людей, образование, методы обучения, модели работы, повседневный образ жизни, поведение производителя/потребителя, баланс спроса и предложения; другими словами, каждая отдельная область жизни. Кроме того, пандемия наносит долговременный ущерб, который трудно исправить. Программное обеспечение повысит показатели успешности диагностики, поможет контролировать пандемию и сведет к минимуму сопутствующий ущерб, упомянутый выше. Исследователи считают, что продукт, который будет произведен в конце этого проекта, принесет большую пользу в борьбе с ожидаемой вторичной волной COVID-19.