دوره 14، شماره 5 - ( جلد 14، شماره 5، ویژه نامه کووید-19 1400 )                   جلد 14 شماره 5,1400 صفحات 131-140 | برگشت به فهرست نسخه ها

XML English Abstract Print


Download citation:
BibTeX | RIS | EndNote | Medlars | ProCite | Reference Manager | RefWorks
Send citation to:

Mehralian S, Jalaeian Zaferani E, Shashaani S, Kashefinishabouri F, Teshnehlab M, Sokhandan H A, et al . Rapid COVID-19 Screening Based on the Blood Test using Artificial Intelligence Methods. JoC. 2021; 14 (5) :131-140
URL: http://joc.kntu.ac.ir/article-1-845-fa.html
مهرعلیان سهیل، جلائیان زعفرانی عفت، شعشعانی شهرزاد، کاشفی نیشابوری فرناز، تشنه‌لب محمد، سخندان حسین‌علی، و همکاران. و همکاران.. غربالگری سریع کووید-19 با استفاده از آزمایش خون و روش‌های هوش‌مصنوعی. مجله کنترل. 1400; 14 (5) :131-140

URL: http://joc.kntu.ac.ir/article-1-845-fa.html


1- آزمایشگاه سیستم‌های هوشمند دانشگاه صنعتی خواجه‌نصیرالدین طوسی
2- بیمارستان بانک ملی ایران
3- دانشگاه علوم پزشکی زنجان
چکیده:   (556 مشاهده)
بیماری COVID-19 که به دلیل ورود ویروس SARS-CoV-2  به بدن ایجاد می‌شود با سرعت چشمگیری در حال شیوع یافتن است. این ویروس به قدری خطرناک است که از زمان ظهور تاکنون جان بسیاری از افراد جهان را گرفته است. همین امر نشان می‌دهد که تشخیص زودهنگام افراد مبتلا به بیماری COVID-19 برای کنترل شیوع این ویروس خطرناک بسیار حیاتی است. در حال حاضر دو روش تشخیصی رایج برای این بیماری، تصویربرداری سی تی اسکن از ریه و آزمایش­ مولکولی RT-PCR[1] است. روش تصویربرداری سی تی اسکن از ریه در کنار نقاط قوتی نظیر سرعت بالای اسکن، هزینه انجام اسکن پایین دارای نقاط ضعفی از جمله نیاز به رادیولوژیست جهت تحلیل تصاویر، معظلات ناشی از در معرض اشعه ایکس قرار گرفتن و خطرناک بودن این روش برای زنان باردار و نوزادان می‌باشد. در خصوص نقاط ضعف روش تشخیصی آزمایش مولکولی می‌توان به هزینه بالای انجام آزمایش، وابستگی به کیت‌های وارداتی و مدت زمان طولانی دریافت نتایج آزمایش اشاره کرد هرچند که این روش دارای صحت تشخیصی بالاتری نسبت به سی تی اسکن ریه می‌باشد، در این مقاله، ما روشی کم­هزینه، سریع و در دسترس برای تشخیص زود هنگام بیماری COVID-19 بر اساس مدل­های هوش‌مصنوعی[2] و آزمایش خون روتین ارائه دادیم که علاوه بر تشخیص زودهنگام به دلیل قابلیت تکرارپذیری خوبی که دارد می‌توان از آن برای غربالگری افراد و جوامع مختلف استفاده کرد. در این مطالعه، از آزمایش خون ۶۶۳۵ بیمار مراجعه کننده به بیمارستان بانک ملی ایران استفاده شده است. سه مدل یادگیری ماشین از قبیل شبکه عصبی فازی تطبیقی، ماشین­ بردار پشتیبان و شبکه­های عصبی مورد ارزیابی قرار گرفت. نتایج نشان می‌‌دهد که روش پیشنهادی ما می­توانند افراد مبتلا به COVID-19 را با صحت %84 و  F1-score %83 تشخیص دهد. همچنین گروه تحقیقاتی ما وب سایت آنلاین به نام  CODAS طراحی کرده است تا مخاطبین بتوانند روش پیشنهادی ما را به راحتی و در دنیای واقعی ارزیابی نمایند.


[1] Reverse Transcription Polymerase Chain Reaction (RT-PCR)
[2] Artificial Intelligence (AI)
متن کامل [PDF 961 kb]   (139 دریافت)    
نوع مطالعه: كاربردي | موضوع مقاله: کووید 19
دریافت: 1399/11/10 | پذیرش: 1399/12/17 | انتشار: 1399/12/10

فهرست منابع
1. T. Acter, N. Uddin, J. Das, A. Akhter, T. R. Choudhury, and S. Kim, "Evolution of severe acute respiratory syndrome coronavirus 2 (SARS-CoV-2) as coronavirus disease 2019 (COVID-19) pandemic: A global health emergency," Science of the Total Environment, p. 138996, 2020. [DOI:10.1016/j.scitotenv.2020.138996]
2. C.-C. Lai, T.-P. Shih, W.-C. Ko, H.-J. Tang, and P.-R. Hsueh, "Severe acute respiratory syndrome coronavirus 2 (SARS-CoV-2) and corona virus disease-2019 (COVID-19): the epidemic and the challenges," International journal of antimicrobial agents, p. 105924, 2020. [DOI:10.1016/j.ijantimicag.2020.105924]
3. P. MARKOWICZ et al., "Multicenter prospective study of ventilator-associated pneumonia during acute respiratory distress syndrome: incidence, prognosis, and risk factors," American journal of respiratory and critical care medicine, vol. 161, no. 6, pp. 1942-1948, 2000. [DOI:10.1164/ajrccm.161.6.9909122]
4. A. D. Makatsariya et al., "Coronavirus disease (COVID-19) and disseminated intravascular coagulation syndrome," Obstetrics, gynecology and reproduction, vol. 14, no. 2, pp. 123-131, 2020. [DOI:10.17749/2313-7347.132]
5. V. Corman et al., "Detection of a novel human coronavirus by real-time reverse-transcription polymerase chain reaction," Eurosurveillance, vol. 17, no. 39, p. 20285, 2012. [DOI:10.2807/ese.17.39.20285-en]
6. A. T. Xiao, Y. X. Tong, and S. Zhang, "False‐negative of RT‐PCR and prolonged nucleic acid conversion in COVID‐19: rather than recurrence," Journal of medical virology, 2020. [DOI:10.1002/jmv.25855]
7. F. Cabitza et al., "Development, evaluation, and validation of machine learning models for COVID-19 detection based on routine blood tests," Clinical Chemistry and Laboratory Medicine (CCLM), vol. 1, no. ahead-of-print, 2020. [DOI:10.1515/cclm-2020-1294]
8. A. Bhandary et al., "Deep-learning framework to detect lung abnormality-A study with chest X-Ray and lung CT scan images," Pattern Recognition Letters, vol. 129, pp. 271-278, 2020. [DOI:10.1016/j.patrec.2019.11.013]
9. H. Khorramdelazad, M. H. Kazemi, A. Najafi, M. Keykhaee, R. Z. Emameh, and R. Falak, "Immunopathological similarities between COVID-19 and influenza: Investigating the consequences of Co-infection," Microbial pathogenesis, p. 104554, 2020. [DOI:10.1016/j.micpath.2020.104554]
10. B. S. Bleier and K. C. Welch, "Preprocedural COVID‐19 screening: Do rhinologic patients carry a unique risk burden for false‐negative results?," in International forum of allergy & rhinology, 2020, vol. 10, no. 10, pp. 1186-1188: Wiley Online Library. [DOI:10.1002/alr.22645]
11. Y. Li and L. Xia, "Coronavirus disease 2019 (COVID-19): role of chest CT in diagnosis and management," American Journal of Roentgenology, vol. 214, no. 6, pp. 1280-1286, 2020. [DOI:10.2214/AJR.20.22954]
12. J. Vernarelli and J. Lambert, "Flavonoid intake is inversely associated with obesity and C-reactive protein, a marker for inflammation, in US adults," Nutrition & diabetes, vol. 7, no. 5, pp. e276-e276, 2017. [DOI:10.1038/nutd.2017.22]
13. W. Ling, "C-reactive protein levels in the early stage of COVID-19," Medecine et maladies infectieuses, 2020.
14. J. J. Deeks et al., "Antibody tests for identification of current and past infection with SARS‐CoV‐2," Cochrane Database of Systematic Reviews, no. 6, 2020. [DOI:10.1002/14651858.CD013652]
15. "World Health Organization."
16. T. Struyf et al., "Signs and symptoms to determine if a patient presenting in primary care or hospital outpatient settings has COVID‐19 disease," Cochrane Database of Systematic Reviews, no. 7, 2020. [DOI:10.1002/14651858.CD013665]
17. X. Mei et al., "Artificial intelligence-enabled rapid diagnosis of patients with COVID-19," Nature Medicine, pp. 1-5, 2020.
18. Y. Xing, P. Mo, Y. Xiao, O. Zhao, Y. Zhang, and F. Wang, "Post-discharge surveillance and positive virus detection in two medical staff recovered from coronavirus disease 2019 (COVID-19), China, January to February 2020," Eurosurveillance, vol. 25, no. 10, p. 2000191, 2020. [DOI:10.2807/1560-7917.ES.2020.25.10.2000191]
19. Y. Fang et al., "Sensitivity of chest CT for COVID-19: comparison to RT-PCR," Radiology, p. 200432, 2020. [DOI:10.1148/radiol.2020200432]
20. E. Neri, V. Miele, F. Coppola, and R. Grassi, "Use of CT and artificial intelligence in suspected or COVID-19 positive patients: statement of the Italian Society of Medical and Interventional Radiology," La radiologia medica, p. 1, 2020. [DOI:10.1007/s11547-020-01197-9]
21. S. Wang et al., "A deep learning algorithm using CT images to screen for Corona Virus Disease (COVID-19)," MedRxiv, 2020. [DOI:10.1101/2020.02.14.20023028]
22. D. Brinati, A. Campagner, D. Ferrari, M. Locatelli, G. Banfi, and F. Cabitza, "Detection of COVID-19 Infection from Routine Blood Exams with Machine Learning: a Feasibility Study," medRxiv, 2020. [DOI:10.1101/2020.04.22.20075143]
23. M. Zokaeinikoo, P. Kazemian, P. Mitra, and S. Kumara, "AIDCOV: An Interpretable Artificial Intelligence Model for Detection of COVID-19 from Chest Radiography Images," medRxiv, 2020. [DOI:10.1101/2020.05.24.20111922]
24. D. Dong et al., "The role of imaging in the detection and management of COVID-19: a review," IEEE reviews in biomedical engineering, 2020.
25. L. Li et al., "Artificial intelligence distinguishes COVID-19 from community acquired pneumonia on chest CT," Radiology, 2020.
26. J. Wu et al., "Rapid and accurate identification of COVID-19 infection through machine learning based on clinical available blood test results," medRxiv, 2020. [DOI:10.1101/2020.04.02.20051136]

ارسال نظر درباره این مقاله : نام کاربری یا پست الکترونیک شما:
CAPTCHA

ارسال پیام به نویسنده مسئول


کلیه حقوق این وب سایت متعلق به مجله کنترل می باشد.

طراحی و برنامه نویسی : یکتاوب افزار شرق

© 2021 CC BY-NC 4.0 | Journal of Control

Designed & Developed by : Yektaweb