AI モデルは、迅速な COVID-19 のテストと検出の方法を提供します

2022 年 12 月 13 日

COVID-19 とその最新の Omicron 株は、国内だけでなく世界的にも感染を引き起こし続けています。 血清学 (血液) 検査と分子検査は、COVID-19 の迅速な検査に最も一般的に使用される 2 つの方法です。 COVID-19 検査はさまざまなメカニズムを使用するため、大きく異なります。 分子検査では、ウイルスの SARS-CoV-2 RNA の存在を測定しますが、血清学検査では、SARS-CoV-2 ウイルスによって引き起こされる抗体の存在を検出します。

現在、血清学的検査と分子検査との相関関係、および陽性の検査結果を生み出す上でどの COVID-19 症状が重要な役割を果たすかについての既存の研究はありません。 機械学習を使用したフロリダ アトランティック大学の工学およびコンピューター サイエンス学部の研究は、分子検査と血清学的検査がどのように相関しているか、および COVID-19 陽性と検査結果を区別するのに最も役立つ特徴を理解する上で重要な新しい証拠を提供します。

工学およびコンピューター サイエンス大学の研究者は、COVID-19 の検査結果を予測するために 5 つの分類アルゴリズムをトレーニングしました。 彼らは、入手しやすい症状の特徴と、発症後の日数、発熱、体温、年齢、性別などの人口統計学的特徴を使用して、正確な予測モデルを作成しました。

この研究は、単純な症状と人口統計学的特徴を使用してトレーニングされた機械学習モデルが、COVID-19 感染の予測に役立つことを示しています。 結果、雑誌に掲載 スマートヘルス、COVID-19感染に関連する主な症状の特徴を特定し、迅速なスクリーニングと費用対効果の高い感染検出の方法を提供します.

調査結果は、発熱や呼吸困難などの症状を経験した日数が COVID-19 検査結果に大きな役割を果たしていることを明らかにしています。 調査結果はまた、血清学検査の発症後発症日 (5 ～ 38 日) と比較して、分子検査では発症後発症日 (3 ～ 8 日) がはるかに短いことを示しています。 その結果、分子検査は現在の感染を測定するため、陽性率が最も低くなります。

さらに、COVID-19 の検査は大きく異なります。その理由の 1 つは、さまざまな検査方法の対象となるドナーの免疫応答とウイルス量が絶えず変化するためです。 同じドナーであっても、2 種類の検査で陽性と陰性の結果が異なる場合があります。

分子検査はウイルス量に依存し、血清学検査はセロコンバージョンに依存します。セロコンバージョンとは、身体が検出可能なレベルの抗体を産生し始める期間です。 これらのテストは両方とも時間に依存します。 私たちの結果は、症状が出てからの日数がCOVID-19検査で陽性となるために非常に重要であり、患者をスクリーニングする際には慎重に検討する必要があることを示唆しています.」

Xingquan “Hill” Zhu, Ph.D.、上級著者、FAU の電気工学およびコンピューター サイエンス学科の教授

この研究では、研究者は2,467人のドナーからのテスト結果を使用し、それぞれがテストベッドとして収集された1つまたは複数のタイプのCOVID-19テストを使用してテストされました。 症状と人口統計情報を組み合わせて、5 種類の機械学習モデルを使用した予測モデリング用の一連の機能を設計しました。 テストの種類と結果をクロスチェックすることで、血清学的検査と分子検査の相関関係を調べました。 検査結果の予測のために、彼らは血清学または分子検査の結果を使用して 2,467 人のドナーに陽性または陰性のラベルを付け、機械学習のために各ドナーを表す症状特徴を作成しました。

「COVID-19 は幅広い症状を引き起こし、データ収集プロセスは基本的にエラーが発生しやすいため、同様の症状をビンにグループ化しました」と Zhu 氏は述べています。 「症状報告の標準化がなければ、症状の特徴空間が大幅に増加します。これに対抗するために、サンプルの特徴情報を保持しながら症状の特徴空間を減らすことができるこのビニングアプローチを利用しました。」

作成されたビンの特徴を 5 つの機械学習アルゴリズムと組み合わせて使用​​することにより、これらの予測モデルは 81% を超える AUC スコア (すべての可能な分類しきい値にわたるパフォーマンスの集計尺度を提供する ROC 曲線の下の領域) を達成し、76 を超えるスコアを達成しました。パーセント分類精度。

「私たちのテストベッドのユニークな特徴の 1 つは、一部のドナーが複数の検査結果を持っている可能性があることです。これにより、血清学検査と分子検査の関係を分析し、各タイプの検査内の一貫性を理解することもできました」と Zhu 氏は述べています。

研究者が使用する 5 つの機械学習モデルは、ランダム フォレスト、XGBoost、ロジスティック回帰、サポート ベクター マシン (SVM)、およびニューラル ネットワークです。 彼らは、精度、F1 スコア、AUC という 3 つのパフォーマンス指標を使用してパフォーマンスを比較しました。

FAU College ofエンジニアリングとコンピューター サイエンス。 「私たちの研究者は、臨床的解釈と予測モデリングのためにノイズの多い症状の特徴を絞り込む新しい方法を設計しました。このような AI ベースの予測モデリング アプローチは、感染症や健康問題の他の多くの側面と戦うためにますます強力になっています。」

この研究の共著者は、博士号を持つ Magdalyn E. Elkin です。 FAU の電気工学およびコンピュータ サイエンス学科の学生です。

この作品は、国立科学財団によって支えられました。