هوش مصنوعی می‌تواند به بیماران در تفسیر آزمایش‌های خانگی برای COVID-19 کمک کند

تحقیقات جدید یادگیری ماشینی به رهبری پروفسور فرخ عالمی از دانشگاه جورج میسون و پروفسور یانوش ووتوسیاک راهی برای بیماران و پزشکان فراهم می کند تا بهتر پیش بینی کنند که آیا علائم ناشی از COVID-19، آنفولانزا یا RSV است.

تشخیص دقیق تر منجر به تصمیم گیری بهتر در مورد دوره مراقبت برای بهبود بیماران و جلوگیری از گسترش بیماری می شود. Alemi و Wojtusiak اخیراً به همراه محققان دانشگاه جورج میسون و Vibrent Health مجموعه ای از مقالات را در نسخه ویژه منتشر کردند. مجله مدیریت کیفیت در بهداشت و درمان بحث در مورد اینکه چگونه هوش مصنوعی (AI) می‌تواند به تشخیص کووید از طریق ترکیبی از علائم و آزمایش‌های خانگی کمک کند.

با تحقیقات خود، Alemi و Wojtusiak اکنون در حال کار بر روی یک وب سایت برای ارائه یک منبع مبتنی بر هوش مصنوعی برای کمک به افراد در شناسایی اقدامات توصیه شده در نتیجه مشخصات بالینی و نتایج آزمایش کووید در خانه هستند.

ووتوسیاک گفت: «ما شاهد کار هوش مصنوعی برای بهبود بنیادی تریاژ بالینی و تصمیم گیری آزمون به درمان هستیم.

عالمی افزود: “هوش مصنوعی به افراد این امکان را می دهد که نسبت به تصمیمات خود برای ماندن در خانه، جستجوی مراقبت یا منزوی شدن از نظر اجتماعی اعتماد به نفس بیشتری داشته باشند. بسیاری از افراد در پایان علائم خود آزمایش می دهند و در کمال تعجب متوجه می شوند که هنوز مثبت هستند. علائم و نتایج آزمایش خانگی با هم موافق نیستند؟ هوش مصنوعی ما به این افراد کمک می کند تا بفهمند چگونه باید ادامه دهند.”

مطالعه در مقاله 1 (همانطور که در زیر ذکر شده است) نشان داد که زمان بروز علائم در تشخیص کووید اهمیت دارد. برای مثال، آبریزش بینی به‌عنوان یک علامت اولیه، احتمال مثبت شدن آزمایش کووید را افزایش می‌دهد و آبریزش بینی به‌عنوان علامتی که بعداً رخ می‌دهد، احتمال آن را کاهش می‌دهد. به طور مشابه، تب تقریبا همیشه یک علامت دیررس است، بنابراین فقدان تب در اوایل نباید برای رد کووید مورد استفاده قرار گیرد.

نتایج در مقاله 2 نشان داد که COVID را نمی توان از روی علائم فردی تشخیص داد. با این حال، مجموعه ای از سه یا چند علامت می تواند در تشخیص کمک کند. یافته‌های مقاله 4 نشان داد که دقت تشخیص علائم کووید در زمانی که علائم از علائم مختلف بدن وجود داشته باشد، بالاترین میزان است. به عنوان مثال، ترکیبی از علائم عصبی و تنفسی مشترک بیشتر از هر یک از مجموعه علائم به صورت جداگانه تشخیصی بود. علاوه بر این، کووید بسته به سن، شدت بیماری و جهش‌های ویروس، تظاهرات متفاوتی دارد.

مقاله 3 به این موضوع می پردازد که چگونه غربالگری علائم هوش مصنوعی می تواند آزمایش های آنتی ژن در خانه را بهبود بخشد – و برای افراد واکسینه شده جایگزین شود. آزمایش‌های خانگی همیشه دقیق نیستند و نیاز به بررسی بالینی دارند، اما این آزمایش‌ها در خانه انجام می‌شوند، جایی که چنین مروری در دسترس نیست. غربالگری علائم هوش مصنوعی می تواند به دقیق تر شدن این آزمایش ها کمک کند. این مطالعه گزارش می دهد که غربالگری علائم هوش مصنوعی دقیق تر از انجام یک آزمایش خانگی دوم است.

چهار مقاله منتشر شده در ضمیمه ویژه عبارتند از:

1. ترتیب بروز علائم COVID-19
2. نقش خوشه های علائم در تریاژ بیماران COVID-19
3. غربالگری علائم ترکیبی و آزمایشات خانگی برای COVID-19
4. رهنمودهایی برای تریاژ بیماران کووید-19 با علائم چند سیستمی

مقاله پنجم با عنوان مدل‌سازی احتمال کووید-19 بر اساس غربالگری علائم و شیوع آنفولانزا و بیماری‌های مشابه آنفولانزا، از همین گروه از محققان نیز در مجله مدیریت کیفیت در بهداشت و درمان در آوریل / ژوئن 2022.

عالمی محقق اصلی میسون بود. میسون یک پیمانکار فرعی Vibrent Health بود، جایی که پرادومن جین محقق اصلی این پروژه بود. (جین یکی از اعضای هیئت مشاوره کالج بهداشت عمومی میسون است.) دیگر محققان وابسته به میسون در این پروژه ها عبارتند از: دانشیار امیرا روس، عضو هیئت علمی وابسته، جی وانگ، دانشجوی دکترا الینا گوورالنیک، و دانشجوی سابق و هیئت علمی جانبی Wejdan Bagais. Rachele Peterson و Josh Schilling از Vibrent Health و F. Gerard Moeller از دانشگاه Commonwealth ویرجینیا نیز بخشی از تیم تحقیقاتی بودند.

روش های مورد استفاده در این پنج مقاله متفاوت است. در مقاله 4، محققان با استفاده از داده های مقالات منتشر شده، یک متاآنالیز ادبیات را انجام دادند. در مقالات دیگر، محققان بیمارانی را که آزمایش PCR انجام داده بودند، بررسی کردند و رابطه بین علائم بیماران و نتایج آزمایش PCR را بررسی کردند. بیشتر تحقیقات با استفاده از داده های جمع آوری شده بین اکتبر 2020 و ژانویه 2021، قبل از انواع فعلی مانند BA.5 یا BQ.1 انجام شده است.

انتشارات مرتبط قبلی توسط این محققین شامل مطالعه ای بود که بررسی می کرد چگونه رایانه ها می توانند بین COVID-19 و آنفولانزا تشخیص دهند و تجزیه و تحلیل دانشجویان علامت دار دانشگاه و فاصله گذاری اجتماعی.