Algorithm för beslutsstödssystem för diagnos av covid-19

COVID-19 är en infektionssjukdom orsakad av ett nyupptäckt Coronavirus som först identifierades i Wuhan, Kina i december 2019. Sedan beskrevs och tillkännagavs det nya coronavirusutbrottet som en pandemi av Världshälsoorganisationen (WHO) den 11 mars 2020.

Omvänd transkription-polymeraskedjereaktion (RT-PCR) är för närvarande guldstandardtestet för diagnos av COVID-19. På grund av dess höga falsknegativa frekvens (%10-50) beror diagnos och behandlingsbeslut inte enbart på RT-PCR. Klinisk presentation av patient- och radiologiska fynd är också viktig. Däremot är varken klinisk presentation eller datortomografi (CT) specifika för COVID-19. Som en konsekvens av dessa utmaningar blir diagnosen av sjukdomen och skyddet av samhällets hälsa svårare. Utredarna av denna studie antog att djupinlärningsbaserade beslutsstödssystem kan hjälpa till för en definitiv diagnos av covid-19. Syftet är att utveckla en djupinlärningsbaserad algoritm för beslutsstödssystem baserad på klinisk presentation av patient-, laboratorie- och CT-fynd och RT-PCR-data. Tidigare har algoritmer för djupinlärning med användning av allmänt kända djupa neurala nätverksarkitekturer som Inception, UNet, ResNet utvecklats. Men alla dessa studier baserades på CT-fynd. Det finns inga djupinlärningsstudier i litteraturen som kombinerar kliniska, radiologiska och laboratoriefynd från patienter.

Projektet baseras på tillgängliga data från COVID-19-patienter som kommer att erhållas från hälsoministeriet. Därefter kommer data att utvärderas med avseende på relevans och tillförlitlighet och märkas för utbildning av maskin. Efter anonymiseringen av data kommer data att behandlas enligt de förutbestämda inkluderings-exkluderingskriterierna. Thorax CT-data kommer att märkas som typiska / obestämda / atypiska / negativa för covid-19 lunginflammation. Dessutom kommer CT-bilder av patienter med kända icke-COVID-19-sjukdomar att märkas för träning av maskin. Därefter kommer feber, lymfocytantal, neutrofil till lymfocyt-förhållande, kontaktinformation, RT-PCR-fynd att märkas. Därefter kommer patienterna att märkas och maskinen kommer att tränas med djupinlärningsmetod med hjälp av denna grupperade och märkta data. Efter träningsfasen kommer algoritmen att testas och om maskinen når målspecificiteten och känsligheten kommer prototypen att testas. Och sedan kommer prototypen att bäddas in i sjukhusets mjukvarusystem. Denna programvara och algoritm kommer att fungera som ett tidig varningssystem för kliniker och ge en bättre diagnostisk frekvens, särskilt med minskande falsk-negativa resultat. Effekterna av en pandemi kan inte mätas endast genom antalet personer som diagnostiserats och isoleras, eller genom behandling. En pandemi påverkar inte bara samhällets hälsa utan också individers psykologiska status, utbildning, undervisningsmetoder, arbetsmodeller, dagliga livsstilar, producent-/konsumentbeteenden, balans mellan utbud och efterfrågan; med andra ord varje enskilt område av livet. Utöver det orsakar en pandemi långvariga skador som är svåra att vända. Mjukvaran kommer att öka antalet diagnostiska framgångar, hjälpa till att kontrollera pandemin och minimera de sidoskador som nämns ovan. Utredarna tror att produkten som kommer att produceras i slutet av detta projekt kommer att vara till stor nytta för att kontrollera den sekundära vågen av covid-19 som förväntas inträffa.