Mοντέλο Τεχνητής Νοημοσύνης: Η COVID-19 και τα πιο πρόσφατα omicron στελέχη της συνεχίζουν να προκαλούν λοιμώξεις σε ολόκληρη τη χώρα καθώς και σε παγκόσμιο επίπεδο. Η ορολογική (αίμα) και η μοριακή εξέταση είναι οι δύο πιο συχνά χρησιμοποιούμενες μέθοδοι για την ταχεία εξέταση της COVID-19. Επειδή οι δοκιμές COVID-19 χρησιμοποιούν διαφορετικούς μηχανισμούς, διαφέρουν σημαντικά. Οι μοριακές δοκιμές μετρούν την παρουσία του ιικού RNA SARS-CoV-2, ενώ οι ορολογικές δοκιμές ανιχνεύουν την παρουσία αντισωμάτων που προκαλούνται από τον ιό SARS-CoV-2. Επί του παρόντος, δεν υπάρχει καμία υπάρχουσα μελέτη σχετικά με τη συσχέτιση μεταξύ των ορολογικών και των μοριακών δοκιμών και ποια συμπτώματα COVID-19 διαδραματίζουν βασικό ρόλο στην παραγωγή θετικού αποτελέσματος της δοκιμής. Μια μελέτη από το Κολέγιο Μηχανικής και Επιστήμης των Υπολογιστών του Πανεπιστημίου Florida Atlantic με τη χρήση μηχανικής μάθησης παρέχει σημαντικά νέα στοιχεία για την κατανόηση του τρόπου συσχέτισης των μοριακών δοκιμών έναντι των ορολογικών δοκιμών και ποια χαρακτηριστικά είναι τα πιο χρήσιμα για τη διάκριση μεταξύ των θετικών αποτελεσμάτων της COVID-19 και των αποτελεσμάτων των δοκιμών. Οι ερευνητές του Κολλεγίου Μηχανικής και Επιστήμης Υπολογιστών εκπαίδευσαν πέντε αλγορίθμους ταξινόμησης για την πρόβλεψη των αποτελεσμάτων των εξετάσεων COVID-19. Δημιούργησαν ένα ακριβές μοντέλο πρόβλεψης χρησιμοποιώντας εύκολα προσβάσιμα χαρακτηριστικά συμπτωμάτων, μαζί με δημογραφικά χαρακτηριστικά, όπως ο αριθμός ημερών μετά την έναρξη των συμπτωμάτων, ο πυρετός, η θερμοκρασία, η ηλικία και το φύλο.
Η μελέτη καταδεικνύει ότι τα μοντέλα μηχανικής μάθησης, τα οποία εκπαιδεύονται με τη χρήση απλών συμπτωμάτων και δημογραφικών χαρακτηριστικών, μπορούν να βοηθήσουν στην πρόβλεψη των λοιμώξεων COVID-19. Τα αποτελέσματα, που δημοσιεύονται στο περιοδικό Smart Health, προσδιορίζουν τα βασικά χαρακτηριστικά συμπτωμάτων που σχετίζονται με τη μόλυνση COVID-19 και παρέχουν έναν τρόπο για ταχεία διαλογή και οικονομικά αποδοτική ανίχνευση της μόλυνσης. Τα ευρήματα αποκαλύπτουν ότι ο αριθμός των ημερών που εμφανίζουν συμπτώματα όπως πυρετός και δυσκολία στην αναπνοή παίζει μεγάλο ρόλο στα αποτελέσματα της εξέτασης COVID-19. Τα ευρήματα δείχνουν επίσης ότι οι μοριακές δοκιμές έχουν πολύ μικρότερες ημέρες μετά την έναρξη των συμπτωμάτων (μεταξύ τριών και οκτώ ημερών), σε σύγκριση με τις ημέρες μετά την έναρξη των συμπτωμάτων των ορολογικών δοκιμών (μεταξύ πέντε και 38 ημερών). Ως αποτέλεσμα, η μοριακή εξέταση έχει το χαμηλότερο θετικό ποσοστό, επειδή μετρά την τρέχουσα μόλυνση. Επιπλέον, οι εξετάσεις COVID-19 διαφέρουν σημαντικά, εν μέρει επειδή η ανοσολογική απόκριση και το ιικό φορτίο των δοτών – ο στόχος των διαφόρων μεθόδων εξέτασης – μεταβάλλονται συνεχώς. Ακόμη και για τον ίδιο δότη, ενδέχεται να παρατηρηθούν διαφορετικά θετικά/αρνητικά αποτελέσματα από δύο τύπους δοκιμών. “Οι μοριακές εξετάσεις εξαρτώνται από το ιικό φορτίο και οι ορολογικές εξετάσεις εξαρτώνται από την ορομετατροπή, δηλαδή την περίοδο κατά την οποία ο οργανισμός αρχίζει να παράγει ανιχνεύσιμα επίπεδα αντισωμάτων. Και τα δύο αυτά τεστ εξαρτώνται από τον χρόνο”, δήλωσε ο Xingquan “Hill” Zhu, Ph.D., κύριος συγγραφέας και καθηγητής στο Τμήμα Ηλεκτρολόγων Μηχανικών και Επιστήμης Υπολογιστών του Πανεπιστημίου Φλόριντα Ατλάντικ FAU. “Τα αποτελέσματά μας υποδηλώνουν ότι ο αριθμός των ημερών μετά την εμφάνιση των συμπτωμάτων είναι εξαιρετικά σημαντικός για μια θετική εξέταση COVID-19 και θα πρέπει να εξετάζεται προσεκτικά κατά τον έλεγχο των ασθενών”.
Για τη μελέτη, οι ερευνητές χρησιμοποίησαν αποτελέσματα εξετάσεων από 2.467 δότες, καθένας από τους οποίους εξετάστηκε χρησιμοποιώντας έναν ή περισσότερους τύπους εξετάσεων COVID-19, οι οποίοι συλλέχθηκαν ως βάση δοκιμών. Συνδύασαν τα συμπτώματα και τις δημογραφικές πληροφορίες για να σχεδιάσουν ένα σύνολο χαρακτηριστικών για την προγνωστική μοντελοποίηση με τη χρήση των πέντε τύπων μοντέλων μηχανικής μάθησης. Διασταυρώνοντας τους τύπους και τα αποτελέσματα των δοκιμών, εξέτασαν τη συσχέτιση μεταξύ των ορολογικών και των μοριακών δοκιμών. Για την πρόβλεψη του αποτελέσματος των δοκιμών, χαρακτήρισαν τους 2.467 δότες ως θετικούς ή αρνητικούς χρησιμοποιώντας τα αποτελέσματα των ορολογικών ή μοριακών δοκιμών τους και δημιούργησαν χαρακτηριστικά συμπτωμάτων για την αναπαράσταση κάθε δότη για μηχανική μάθηση. “Επειδή η COVID-19 παράγει ένα ευρύ φάσμα συμπτωμάτων και η διαδικασία συλλογής δεδομένων είναι ουσιαστικά επιρρεπής σε σφάλματα, ομαδοποιήσαμε παρόμοια συμπτώματα σε κάδους”, δήλωσε ο Zhu. “Χωρίς τυποποίηση της αναφοράς των συμπτωμάτων, ο χώρος των χαρακτηριστικών συμπτωμάτων αυξάνεται σημαντικά. Για να το καταπολεμήσουμε αυτό, χρησιμοποιήσαμε αυτή την προσέγγιση ομαδοποίησης, η οποία ήταν σε θέση να μειώσει τον χώρο χαρακτηριστικών συμπτωμάτων, διατηρώντας παράλληλα τις πληροφορίες για τα χαρακτηριστικά του δείγματος”. Με τη χρήση των δημιουργημένων χαρακτηριστικών bin, σε συνδυασμό με τους πέντε αλγορίθμους μηχανικής μάθησης, αυτά τα προγνωστικά μοντέλα πέτυχαν βαθμολογίες της περιοχής κάτω από την καμπύλη ROC (AUC) (Area under the ROC Curve), η οποία παρέχει ένα συνολικό μέτρο απόδοσης σε όλα τα πιθανά κατώφλια ταξινόμησης) άνω του 81% και ακρίβεια ταξινόμησης άνω του 76%.
“Ένα μοναδικό χαρακτηριστικό του δοκιμαστικού μας πλαισίου είναι ότι ορισμένοι δότες μπορεί να έχουν πολλαπλά αποτελέσματα δοκιμών, γεγονός που μας επέτρεψε να αναλύσουμε τη σχέση μεταξύ των ορολογικών δοκιμών έναντι των μοριακών δοκιμών, καθώς και να κατανοήσουμε τη συνοχή εντός κάθε τύπου δοκιμών”, δήλωσε ο Zhu. Τα πέντε μοντέλα μηχανικής μάθησης που χρησιμοποίησαν οι ερευνητές είναι τα Random Forest, XGBoost, Logistic Regression, Support Vector Machine (SVM) και Neural Network. Συνέκριναν τις επιδόσεις χρησιμοποιώντας τρεις μετρικές απόδοσης: Ακρίβεια, F1-score και AUC. “Η προγνωστική μοντελοποίηση περιπλέκεται από πολλά αινιγματικά ερωτήματα που δεν έχουν απαντηθεί από την έρευνα. Το περιβάλλον δοκιμών που δημιούργησαν οι ερευνητές μας είναι πράγματι νέο και δείχνει σαφώς τη συσχέτιση μεταξύ διαφορετικών τύπων δοκιμών COVID-19”, δήλωσε η Stella Batalama, Ph.D., κοσμήτορας του Κολεγίου Μηχανικής και Επιστήμης Υπολογιστών FAU (FAU College of Engineering and Computer Science). “Οι ερευνητές μας σχεδίασαν έναν νέο τρόπο για να περιορίσουν τα θορυβώδη χαρακτηριστικά των συμπτωμάτων για κλινική ερμηνεία και προγνωστική μοντελοποίηση. Τέτοιες προσεγγίσεις προγνωστικής μοντελοποίησης με βάση την τεχνητή νοημοσύνη γίνονται όλο και πιο ισχυρές για την καταπολέμηση των μολυσματικών ασθενειών και πολλών άλλων πτυχών των θεμάτων υγείας”.