Covid-19, postakuta följder av SARS-CoV-2-infektion (PASC) och influensabehandlingssystem med maskininlärning

Denna studie har inkluderat 27 patienter diagnostiserade med Covid-19, postakuta följder av SARS-CoV-2-infektion och influensa. Av dessa är 26 öppenvårdspatienter och 1 är inlagd på sjukhus. Efter screening baserat på inklusions- och uteslutningskriterierna kommer kvalificerade patienter att få recept som rekommenderas av det autonoma behandlingssystemet baserat på maskininlärning i denna observationsstudie. Målet med denna studie är att fastställa huruvida prestandan för receptrekommendationssystem för maskininlärning överensstämmer med den hos människor som utövar traditionell kinesisk medicin och att utvärdera de kliniska resultaten för patienter som tar det rekommenderade receptet. Målet med denna studie är:

1. För att jämföra klassificeringarna som gjorts av vårt maskininlärningssystem med de som gjorts av läkare, bedöma modellens tillförlitlighet och noggrannhet;
2. Att utvärdera Covid-19-relaterade sjukhusinläggningar eller dödsfall oavsett orsak till och med dag 28;
3. För att avgöra om maskininlärningssystemets rekommenderade recept lindrar Covid-19, postakuta följder av SARS-CoV-2-infektion och influensasymtom;
4. För att övervaka deltagare som testade positivt för Covid-19-antigenet i 28 dagar efter behandlingsstart för potentiella fall av rebound.

Deltagarna kommer att använda en onlineapplikation för att få de rekommenderade receptresultaten och skickar sedan dessa resultat till en läkare för verifiering. Patienterna uppmanas att slutföra onlineanalysen var tredje dag eller närhelst det sker en förändring i symtomen, beroende på vilket som inträffar först. Deltagarna kommer också att instrueras att ta den ordinerade medicinen. Forskningsläkare kommer att följa upp patienter var tredje dag via telefonsamtal. De potentiella behandlingar som patienter kan få inkluderar någon av följande formler för traditionell kinesisk medicin: LizCovidCure-1, LizCovidCure-2, LizCovidCure-3, LizCovidCure-4 och LizCovid-5.