برنامه های کاربردی یادگیری ماشین و هوش مصنوعی برای همه گیر Covid-19 (SARS-CoV-2

زمینه و هدف

در طی فوریت های جهانی اخیر ، دانشمندان ، پزشکان و متخصصان مراقبت های بهداشتی در سراسر جهان در جستجوی یک فناوری جدید برای پشتیبانی از مقابله با بیماری همه گیر Covid-19 هستند. شواهد کاربرد Machine Learning (ML) و هوش مصنوعی (AI) در مورد اپیدمی قبلی محققان را با ارائه زاویه جدیدی برای مبارزه با شیوع Coronavirus رنج می برد. این مقاله با هدف بررسی جامع نقش AI و ML به عنوان یک روش مهم در عرصه غربالگری ، پیش بینی ، پیش بینی ، ردیابی تماس و تهیه دارو برای SARS-CoV-2 و بیماری همه گیر مرتبط با آن انجام شده است.

روش

ارزیابی انتخابی از اطلاعات مربوط به مقاله تحقیق روی پایگاه داده های مربوط به کاربرد فناوری ML و هوش مصنوعی در Covid-19 انجام شد. تجزیه و تحلیل سریع و انتقادی از سه پارامتر مهم ، به عنوان مثال ، انتزاعی ، روش ، و نتیجه گیری برای ارتباط با احتمالات مدل برای مقابله با اپیدمی SARS-CoV-2 انجام شد.

نتیجه

این مقاله به مطالعات اخیر می پردازد که از فناوری ML و AI برای تقویت محققان در زوایای مختلف استفاده می شود. همچنین ضمن استفاده از چنین الگوریتم هایی در مشکلات دنیای واقعی ، به چندین خطا و چالش می پردازد. در این مقاله همچنین به پیشنهادات انتقال محققان در زمینه طراحی مدل ، متخصصان پزشکی و سیاست گذاران در شرایط فعلی ضمن مقابله با بیماری همه گیر Covid-19 و پیش رو خواهیم پرداخت.

نتیجه

پیشرفت در حال توسعه در AI و ML به طور قابل توجهی بهبود یافته است درمان ، دارو ، غربالگری ، پیش بینی ، پیش بینی ، ردیابی تماس ، و روند توسعه دارو / واکسن برای بیماری همه گیر Covid-19 و کاهش مداخلات انسان در عمل پزشکی. با این حال ، بسیاری از مدل ها به اندازه کافی برای نشان دادن عملکرد در دنیای واقعی خود مستقر نشده اند ، اما هنوز هم برای مقابله با بیماری همه گیر SARS-CoV-2 در معرض دید هستند.

واژه‌های کلیدی: Covid-19 ، یادگیری ماشین ، هوش مصنوعی ، همه گیر

قابل اعتماد و متخصص:

1. معرفی

چندین شیوع بیماری وجود دارد که در تاریخ جهانی به بشریت حمله کرده است. سازمان بهداشت جهانی (WHO) ، پزشکان همکار آن و مقامات مختلف ملی در سراسر جهان تا به امروز با این بیماری همه گیر مبارزه می کنند. از آنجا که اولین مورد بیماری Covid-19 (Coronavirus) در دسامبر 2019 منطقه ووهان در چین تأیید شد ، شیوع این بیماری همچنان در سراسر جهان رواج دارد ، و در 30 ژانویه سال 2020 WHO این بیماری همه گیر را به عنوان نگرانی بین المللی اضطراری بهداشت عمومی اعلام کرد [1]. رمان بیماری Coronavirus (SARS-CoV-2) در بیش از 185 کشور جهان آلوده شد و بیش از 7،145،800 فرد را آلوده کرد و تا 09 ژوئن سال 2020 منجر به مرگ 407.067 شد [2،3]. برای پرداختن به این بیماری همه گیر جهانی ، WHO ، دانشمندان و پزشکان در صنایع پزشکی در جستجوی فن آوری جدید برای غربالگری بیماران آلوده در مراحل مختلف ، یافتن بهترین آزمایشات بالینی ، کنترل شیوع این ویروس ، ایجاد واکسن برای درمان بیماران آلوده ، تماس با ردیابی از بیمار آلوده مطالعات جدید نشان می دهد که ماشین یادگیری و هوش مصنوعی نویدبخش تکنولوژی هستند که توسط ارائه دهندگان مراقبت های بهداشتی مختلف به کار می روند زیرا منجر به پیشرفت بهتر در مقیاس ، سرعت پردازش سریع ، قابل اعتماد و حتی بهتر از عملکرد انسان در کارهای خاص مراقبت های بهداشتی می شوند [4]. بنابراین ، صنایع و پزشکان بهداشت و درمان در سراسر جهان از فناوری ML و AI مختلفی برای مقابله با بیماری همه گیر Covid-19 برای مقابله با مشکلات موجود در شیوع استفاده کرده اند. در صنایع پزشکی ، هوش مصنوعی برای جایگزینی تعاملات انسانی اعمال نمی شود ، بلکه برای ارائه پشتیبانی از تصمیم پزشکان در مورد آنچه در آن الگوسازی شده است ، استفاده می شود [5].

در این مقاله به رمان اپیدمی Covid-19 و نحوه استفاده اخیر فناوری مدرن هوش مصنوعی و ML برای حل چالش ها در هنگام بیرون آمدن پرداخته شده است. ما بررسیهای جامع از مطالعات در مورد مدل و فناوری کاربردی برای مقابله با رمان همه گیر Covid-19 را ارائه می دهیم. این مطالعات بیشتر در مورد انواع روشهای هوش مصنوعی و ML اخیراً به کار رفته در ادغام و انواع مجموعه داده ها ، عملکرد نهایی هر مدل پیشنهادی ، و ارائه دهنده جوانب مثبت و منفی تکنیک های مدرن است.

قابل اعتماد و متخصص:

2. ML و AI اخیراً برای مقابله با شیوع مراقبت های بهداشتی SARS-CoV-2 به کار گرفته اند

از فناوری AI و ML برای بهبود دقت پیش بینی برای غربالگری بیماریهای عفونی و غیر عفونی استفاده می شود [6]. رابطه با مراقبت های بهداشتی با تکامل اولین سیستم تخصصی به نام MYCIN که در سال 1976 توسعه یافته است آغاز می شود [7]. MYCIN به منظور استفاده از 450 قانون جمع آوری شده از یک پزشک پزشکی برای درمان عفونت باکتریایی با پیشنهاد آنتی بیوتیک به بیماران طراحی شده است. چنین سیستم تخصصی به عنوان پشتیبانی تصمیم گیری بالینی برای پزشکان و متخصصان پزشکی عمل می کند [8]. مطالعات اخیر مشهود در مورد چشم انداز فناوری ML و AI برای شیوع بیماری همه گیر ، این امر از متخصصان مراقبت های بهداشتی در بیماری های مختلف واگیر (SARS ، EBOLA ، HIV ، COVID_19) پشتیبانی می کند [9] ، [10] ، [11] ، [12] ، [13] ، [14] ، [15] ، [16] ، [17] و بیماریهای غیر واگیر (سرطان ، دیابت ، بیماری قلبی و سکته مغزی) [18] ، [19] ، [20] ، [21] ، [22] ، [23] ، [24] ، [25] شیوع.

2.1. فناوری ML و هوش مصنوعی در غربالگری

مطالعات اخیر یک ابزار کمکی برای افزایش دقت در تشخیص Covid-19 با مدل جدید تشخیص خودکار COVID-19 مبتنی بر الگوریتم یادگیری عمیق طراحی می کند [29]. مدل توسعه یافته از تصاویر اشعه ایکس سینه خام از 127 بیمار آلوده با 500 پرونده بدون علامت و پنومونی 500 پرونده استفاده می کند. با دقت عملکرد قابل توجه ، کلاس باینری 98.08٪ و چند کلاس با 87.02٪. چند کلاس قابلیت استفاده از سیستم خبره را برای کمک به رادیولوژی در اعتبار سنجی در فرآیند غربالگری به سرعت و دقیق ثابت کرد.

علاوه بر این ، محققان چهار ویژگی مهم پزشکی ترکیبی از ویژگیهای بالینی ، آزمایشگاهی و اطلاعات جمعیت شناختی را با استفاده از GHS ، درصد CD3 ، پروتئین کل و سن بیمار با استفاده از ماشین بردار پشتیبان به عنوان الگوی اصلی طبقه بندی ویژگی ها یافته اند [30]. مدل جدید در پیش بینی بیماران در شرایط بحرانی / شدید مؤثر و قوی است ، و نتایج تجربی نشان می دهد که ترکیبی از چهار ویژگی AUROC 0.9996 و 0.9757 را به ترتیب در آموزش و آزمایش مجموعه داده ها نشان می دهد. بقا و تجزیه و تحلیل رگرسیون چند متغیره متغیره اهمیت مدل را به سمت و ابزارهای کمکی برای متخصص مراقبت های بهداشتی نشان داد.

محققان پس از ارزیابی 253 نمونه خون بالینی از ووهان ، یازده (بیلی روبین کل ، ایزوآنزیم کراتین کیناز ، GLU ، کراتینین ، کلسیم ، لاکتات دهیدروژناز ، عرض توزیع پلاکت ، کلسیم ، بازوفیل ، پروتئین کل و منیزیم را یافتند ابزاری برای تبعیض Covid-19 برای متخصص مراقبت های بهداشتی به منظور تشخیص سریع [31]. مطالعات نشان می دهد که 11 شاخص مربوطه پس از به کارگیری الگوریتم تصادفی جنگل با دقت کلی به ترتیب 95.95٪ و ویژگی 97/96٪ استخراج می شوند. علاوه بر این ، نویسندگان منتشر کرده اند که این ابزارها مستقر شده اند و برای کمک به متخصصان مراقبت های بهداشتی در وب سرور به آدرس http://lishuyan.lzu.edu.cn/COVID2019_2/ در دسترس هستند.

مطالعات فوق شواهدی از کاربرد سیستم خبره ارائه می دهد. تشخیص سریع تشخیص سریع ، هدف اصلی همراه با افزایش دقت بود. تشخیص سریع و زودرس ، شیوع بیماری را کاهش می دهد و زمان بیشتری را به متخصص بهداشت و درمان اختصاص می دهد تا با تشخیص بعدی برای نجات جان بیشتر ، و در نتیجه هزینه های پزشکی کم هزینه ، مطابقت داشته باشد. با این حال ، اکثر مقاله مورد مطالعه از یک الگوریتم طبقه بندی منفرد بر روی داده های فردی یا بیشتر استفاده می کنند. بنابراین پیشنهاد می شود با استفاده از الگوریتم پتانسیل بیشتری در چند بانک اطلاعاتی یا پایگاه داده ترکیبی متشکل از داده های بالینی ، ماموگرافی و جمعیتی ، از یک روش طبقه بندی ترکیبی استفاده شود ، زیرا هر نوع داده دارای یک عامل مهم است که می تواند هویت واقعی بیماران آلوده و استقرار برنامه در دنیای واقعی.

2.2. فن آوری ML و AI در ردیابی مخاطب SARS-Cov-2

اگر فردی با Covid-19 تشخیص داده شود و تأیید شود ، مرحله مهم بعدی پیشگیری از تماس با ما در جلوگیری از شیوع گسترده تر بیماری است. مطابق WHO ، عفونت از طریق شخص به فرد ، از طریق بزاق ، قطرات یا ترشحات از بینی از طریق انتقال تماس گسترش می یابد [32]. برای دستیابی به کنترل گسترش SARS-Cov-2 ، ردیابی مخاطب یک ابزار مهم بهداشت عمومی است که برای شکستن زنجیره انتقال ویروس مورد استفاده قرار می گیرد [33]. فرایند ردیابی تماس برای شناسایی و مدیریت افرادی است که اخیراً در معرض یک بیمار آلوده Covid-19 قرار دارند تا از شیوع بیشتر آن جلوگیری شود. به طور کلی ، این روند فرد آلوده را به مدت 14 روز از زمان مواجهه با پیگیری شناسایی می کند. در صورت به کارگیری کامل ، این فرایند می تواند زنجیره انتقال coronavirus رمان فعلی را بشکند و با فراهم کردن شانس بیشتری برای کنترل های کافی و سرکوب شیوع این شیوع ، کمک به کاهش بزرگی از همه گیری های اخیر کند. در همین راستا ، کشورهای آلوده مختلف با استفاده از فناوری های مختلف مانند بلوتوث ، سیستم موقعیت یابی جهانی (GPS) ، نمودار اجتماعی ، اطلاعات تماس ، API مبتنی بر شبکه ، داده های ردیابی موبایل ، معامله کارت ، یک فرآیند ردیابی مخاطب دیجیتالی را با استفاده از موبایل ارائه می دهند. داده ها و آدرس فیزیکی سیستم. فرآیند ردیابی مخاطب دیجیتال می تواند در مقایسه با سیستم غیر دیجیتال تقریباً سریع و خیلی سریع عمل کند. تمام این برنامه های دیجیتالی برای جمع آوری داده های شخصی شخصی طراحی شده اند ، که با استفاده از ابزار ML و AI برای ردیابی شخصی که به دلیل زنجیره تماس اخیر خود در معرض ویروس رمان قرار دارد ، تجزیه و تحلیل می شوند.

همانطور که در جدول 2 نشان داده شده است ، در مقالات [34،35] کشورهای مختلفی که دارای چنین برنامه های ردیابی تماس با ML و AL هستند ، صلاحیت دارند. مطالعات نشان می دهد که بیش از 36 کشور با موفقیت از ردیابی تماس دیجیتالی استفاده کردند که به دنبال متمرکز ، غیرمتمرکز یا ترکیبی از هر دو روش برای کاهش تلاش و تقویت اثربخشی فرآیندهای تشخیصی مراقبت های بهداشتی سنتی پیشنهاد شده است.