Research Article

استخدام نهج التعلم الانتقالي للدراسة الوبائية لعواقب ما بعد الحادة الخاصة بالمنطقة من SARS-COV-2

DOI:

10.3791/68805

⸱

September 30th, 2025

 ,  ,  ,  ,  ,  ,  , 
1College of Medicine, Branch of Clinical Chemistry, Al-Iraqia University, 22Department of chemistry, College of Education for Pure Sciences, Tikrit University, 3Department of Computer Science and Engineering, Sreenidhi University, 4Department of CSE (AI & ML), St. Martin's Engineering College, 5Department of Computer Science and Engineering, Koneru Lakshmaiah Education Foundation, 6Department of Artificial Intelligence and Data Science, Faculty of Science and Technology, The ICFAI Foundation for Higher Education, 7Department of Computer Science and Engineering, Anurag University

In This Article

Summary

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

يهدف العمل المقترح إلى تصميم وتنفيذ تقنية جديدة للتعلم الانتقالي لتمكين فهم أفضل للنتائج الصحية طويلة الأجل ودعم الرؤى الوبائية المخصصة.

Abstract

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

تشكل عواقب ما بعد الحادة من SARS-CoV-2 (PASC) بيئة شديدة الخطورة مع عواقب وخيمة ، خاصة بالنسبة لمتوسطي العمر وكبار السن وأولئك الذين يعانون من حالات صحية مزمنة مثل أمراض القلب والأوعية الدموية والسرطانات وأمراض الجهاز التنفسي والسكري. تشمل الاضطرابات الجسدية آلام الجسم الشديدة والمستمرة والتعب وصعوبة حركات الجسم. وبالمثل ، فإن اضطرابات المزاج مثل الاكتئاب وتقلب المزاج ومشاعر اليأس وصعوبة التركيز هي تنبؤات مهمة ل PASC. يواجه الأفراد، ومعظمهم من الأشخاص في منتصف العمر وكبار السن، عواقب جسدية وعقلية متزايدة، بما في ذلك الاستشفاء المتكرر، والظروف غير المستقرة طبيا، وفي بعض الحالات، الوفيات غير المتوقعة. يعد تحديد PASC في الوقت المناسب أمرا ضروريا للتخفيف من شدة المشكلات الصحية المرتبطة بها. يوصي هذا البحث بنموذج نقل كامن لدمج بيانات المرضى من مناطق مختلفة ، واستخراج رؤى حول البيانات ، وتقديم حلول رعاية صحية مخصصة. تتميز هذه الدراسة بإمكانيات نموذج التعلم المنقول الكامن لتحسين تبسيط البيانات ، والتعميم ، والتخصيص ، واكتشاف البصيرة ، والتباين ، وقابلية التوسع ، والقدرة على التكيف لتحسين نتائج الصحة العامة.

Introduction

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

تم التعرف على مرض فيروس كورونا لعام 2019 (COVID-19) لأول مرة في ووهان ، الصين. في 31ديسمبر 2019 ، أبلغت الصين منظمة الصحة العالمية (WHO) عن أمراض التهاب الرئة مع مسببات غير معروفة لوحظت في مدينة ووهان ، مقاطعة هوبي ، الصين1. من 31ديسمبر 2019 إلى3 يناير 2020 ، أصيب 44 شخصا بهذا الفيروس وكان لديهم تاريخ من الاتصال بسوق الجملة - "Huanan Seafood". في البداية ، شهد المرضى الحمى والتعب والسعال الجاف. حدث تفشي هذا الفيروس في 30يناير 2020 ، وأعلنت منظمة الصحةالعالمية 1 أنه حالة طوارئ صحية عامة تثير قلقا دوليا. بحلول منتصف فبراير 2020 ، تأثرت أكثر من 25 دولة بفيروس كورونا الجديد ، مع 70,635 و 794 حالة في الصين ودول أخرى على التوالي. تم الإعلان رسميا عن ألف وسبعمائة واثنان وسبعين حالة وفاة (1772) في الصين وثلاث وفيات في جميع البلدان. في 31ديسمبر 2019 ، تم الإبلاغ عن مجموعة من حالات الإصابة بالالتهاب الرئوي ، وأفادت منظمة الصحة العالمية أنه لم يتم الإبلاغ عن أي وفيات في ووهان. في تايلاند ، تم الإعلان عن أول حالة في بانكوك في 13يناير 2020 لامرأة صينية تبلغ من العمر 61 عاما عادت من مدينة ووهان في8 يناير 2020 بعد زيارة مدينة ووهان. كانت تظهر عليها أعراض التهاب الحلق والسعال والحمى والقشعريرة والصداع. تم اختبار COVID-19 إيجابيا في المراقبة الحرارية في8 يناير 2020 وأدخله الضباط التايلانديون إلى المستشفى في ذلك اليوم. تعافى الشخص من المرض. شاركت الحكومة الصينية بنية التسلسل الجيني للفيروس ومكنت المزيد من البلدان من فحص المرضى وتشخيصهم بكفاءة2.

في الولايات المتحدة الأمريكية ، تم الإبلاغ عن أول حالة في واشنطن في 19يناير 2020 لرجل يبلغ من العمر 35 عاما عاد من مدينة ووهان في 15يناير 2020 بعد تجمع عائلته. ظهرت عليه أعراض السعال والحمى اعتبارا من 15يناير 2020 ونصح بالخضوع لفحوصات طبية. لم يكن على اتصال بشخص مصاب بكوفيد-19، ولكن خلال زيارته إلى ووهان، أصيب بكوفيد-19 بسبب تفشي المرض في الصين. ثبتت إصابته بفيروس كورونا في 20يناير 2020 وتم عزله في وحدة عزل محمولة جوا في مركز طبي. بعد دخوله إلى جناح العزل ، كان طبيعيا مع معدل نبض 110 / دقيقة ، وضغط دم 134/87 ملم زئبق ، ودرجة حرارة الجسم 37.2 درجة مئوية ، ومعدل تنفس 16 نبضة في الدقيقة ، وتشبع الأكسجين بنسبة 96٪ مع تسمع الرئة الطبيعي. تم إجراء اختبارات مراقبة وتحقيق COVID منتظمة ، ولوحظ أنه يعاني من السعال والغثيان والقيء لمدة يومين3. في اليوم الثاني من القبول ، اشتكى من عدم الراحة في البطن ، وفي اليوم التالي ، لم يكن هناك دليل على وجود تشوهات في التصوير الشعاعي للصدر. ومع ذلك ، في اليوم الخامس ، شوهدت أدلة كبيرة على الالتهاب الرئوي في التصوير الشعاعي للصدر ، وانخفض تشبع الأكسجين إلى 90٪. نصح بالخضوع للعلاج بالأكسجين ، والذي تم استكماله لتحسين مستويات التشبع. فياليوم الثامن ، تحسنت حالتها ، وخرجت من العيادة. في الهند ، تم الإبلاغ عن أول حالة في ولاية كيرالا في 27يناير 2020 لأنثى تبلغ من العمر 20 عاما عادت من مدينة ووهان بسبب تفشي COVID-19 في الصين. كانت بدون أعراض من 23يناير 2020 إلى 26يناير 2020 وشهدت التهاب في الحلق وسعال خفيف من 27يناير 2020. لم يكن لديها اتصال بالأشخاص المصابين ب COVID-19 ، ولكن خلال رحلتها بالقطار من ووهان إلى كونمينغ ، لاحظت العديد من الأشخاص الذين يعانون من مشاكل في الجهاز التنفسي ونزلات البرد والسعال. ومن ثم ، أمرت السلطات الحكومية في ولاية كيرالا بالبقاء في مكان منعزل وزيارة منشأة طبية لأي أعراض COVID في الأيام المقبلة. بعد دخولها إلى المستشفى العام ، كانت طبيعية مع معدل نبض 82 / دقيقة ، وضغط دم 130/80 ملم زئبق ، ودرجة حرارة الجسم 98.5 درجة فهرنهايت ، وتشبع الأكسجين بنسبة 96٪ مع تسمع الرئة الطبيعي. تم إجراء اختبارات مراقبة وتحقيق COVID المنتظمةفي اليوم 3 و 7 و 20 من يوم المرض. تم إجراء اختبارات مسحة الفم والبلعوم في اليوم الأول وكل يوم بديل لمدة 23 يوما من يوم المرض ، وجاءت نتيجة اختبارها سلبيةمن اليوم السابع عشر. تم تبرئتها من جميع الاختبارات وخرجت من المستشفى في 20فبراير 20204.

في المملكة المتحدة ، تم الإبلاغ عن أول حالة إصابة ب COVID-19 في 23يناير 2020 من قبل امرأة تبلغ من العمر 50 عاما عادت من مدينة ووهان بعد زيارتها. في البداية ، كانت بدون أعراض وظهرت عليها أعراض الحمى والضعف والتهاب الحلق والسعال الجاف في 26يناير 2020. بعد دخولها المستشفى العام ، كانت طبيعية مع معدل تنفس 18 / دقيقة ، وضغط دم 120/80 ملم زئبق ، ودرجة حرارة الجسم 37.6 درجة مئوية ، وتشبع الأكسجين بنسبة 97٪. تم إجراء اختبارات مراقبة وفحص COVID بانتظام ، وحالة المريض مستقرة سريريا. أفادت الفحوصات الأولية أنها مصابة بنقص اللمفاوية الخفيف وارتفاع في البروتين التفاعلي C. بعداليوم الثالث من دخولها المستشفى ، تم تبرئتها من جميع الأعراض ، وتم الكشف عن اختبارات مسحة الفم والبلعوم على أنها سلبية ل COVID من اليوم الثاني في المستشفى. تم عزلها لمدة أسبوعين ، وكانت اختبارات مسحة الأنف والحنجرة سلبية5.

تم اكتشاف فيروسات كورونا (CoVs) في الستينيات ، وتم تصنيفها على النحو التالي. يطلق على Orthornavirae اسم مملكة / عالم الفيروسات المختلفة التي تحتوي على جينومات مصنوعة من الحمض النووي الريبي (RNA) والتي تترجم مع بوليميراز الحمض النووي الريبي المعتمد على الحمض النووي الريبي (RdRp). يقوم RdRp بنسخ جينوم الحمض النووي الريبي الفيروسي إلى الحمض النووي الريبي المرسال (mRNA) ويكرر الجينوم. تشمل خصائص الفيروسات الموجودة في Orthornavirae التطور والطفرات الجينية وإعادة التركيب وإعادة التشكيلة6. الجينومات المصنوعة من الحمض النووي الريبي من ثلاثة أنواع ، وهي فيروسات الحمض النووي الريبي ذات الخيط الإيجابي ، وفيروسات الحمض النووي الريبي السالب (فيروسات -ssRNA) ، وفيروسات الحمض النووي الريبي مزدوجة الشريطة (فيروسات dsRNA). فيروسات الحمض النووي الريبي ذات الخيط الإيجابي (+ فيروسات ssRNA) هي مجموعة من الفيروسات المرتبطة بها التي تحتوي على حمض النووي الريبي أحادي الشريطة ذو الحس الإيجابي. يمكن استخدام جينوم فيروس + ssRNA كبريد سريع RNA (mRNA) ويتم تحويله مباشرة إلى بروتينات مرتبطة بالفيروس بواسطة ريبوسومات الخلايا المضيفة. ترتبط فيروسات + ssRNA بالشعب مثل Pisuviricota و Kitrinoviricota و Lenarviricota. تحتوي فيروسات الحمض النووي الريبي ذات الخيوط الإيجابية على مسببات أمراض مختلفة مثل فيروس الكبد C وحمى الضنك والإيبولا والحصبة وداء والإنفلونزا وفيروس كورونا المتلازمة التنفسية الحادة الوخيمة وفيروس كورونا المسبب لمتلازمة الشرق الأوسط التنفسية الحادة وفيروس كورونا7. فيروسات الحمض النووي الريبي السالب (فيروسات -ssRNA) هي مجموعة من الفيروسات المرتبطة بها التي تحتوي على حمض النووي الريبي أحادي الشريطة بالمعنى السلبي. يمكن اعتبار جينوم فيروس -ssRNA على أنه RNA سريع (mRNA) وينتجه إنزيم يسمى بوليميراز الحمض النووي الريبي المعتمد على الحمض النووي الريبي (RdRp). -ssRNA تشكل شعبة Negarnaviricota. تحتوي فيروسات الحمض النووي الريبي ذات الخيوط السلبية على فرعين رئيسيين في الشعبة ، وهما Haploviricotina و Polyploviricotina. فيروسات الفقاريات المهمة هي الإيبولا والهانتا والإنفلونزا وحمى لاسا وداء. فيروسات الحمض النووي الريبي مزدوجة الشريطة (فيروسات dsRNA) هي مجموعة من الفيروسات متعددة الأنواع التي تحتوي على جينومات الحمض النووي الريبي مزدوجة الشريهات. يقوم جينوم dsRNA بنسخ + ssRNA بواسطة بوليميراز الحمض النووي الريبي المعتمد على الحمض النووي الريبي الفيروسي (RdRp). يمكن استخدام جينوم فيروس + ssRNA كبريد الحمض النووي الريبي (mRNA) ويتم تحويله علنا إلى بروتينات مرتبطة بالفيروس بواسطة الريبوسومات في الخلايا المضيفة. في حين أن جينوم فيروس -ssRNA يمكن أن يكون بمثابة RNA للبريد السريع (mRNA) ويتم إنتاجه بواسطة إنزيم بوليميراز الحمض النووي الريبي المعتمد على الحمض النووي الريبي (RdRp). ترتبط فيروسات dsRNA بشعبة Duplornaviricota و Pisuviricota. تشمل فيروسات الحمض النووي الريبي مزدوجة الشريطة فيروسات الروتا (التي تصيب الأطفال الصغار) وفيروس اللسان الأزرق (الذي يصيب الماشية والأغنام)8.

يطلق على Pisuviricota اسم شعبة فيروسات الحمض النووي الريبي ، والتي تشمل جميع فيروسات + ssRNA و dsRNA. يحتوي تصنيفه السفلي على ثلاث فئات ، وهي Duplopiviricetes و Pisoniviricetes و Stelpaviricetes. Pisoniviricetes هي فئة من فيروسات + ssRNA التي تصيب وتلوث حقيقيات النوى. يحتوي تصنيفها الأدنى على ثلاث فئات فرعية ، وهي Nidovirales و Picornavirales و Sobelivirales. Nidovirales هو ترتيب من المغلف + ssRNA الذي يصيب ويلوث الفقارياتواللافقاريات 9. يحتوي هذا على رتبة فرعية من الفيروسات ، وهي Abnidovirineae و Cornidovirineae و Nanidovirinae و Arnidovirineae و Mesnidovirineae و Tornidovirineae. يتم التعرف على عائلات مختلفة تحت Nidovirales ، مثل Abyssoviridae و Coronaviridae و Nanghoshaviridae و Nanhypoviridae و Arteriviridae و Medioniviridae و Cremegaviridae و Mesoniviridae و Euroniviridae و Gresnaviridae و Roniviridae و Tobaniviridae و Mononiviridae و Olifoviridae8. Coronaviridae هي عائلة من فيروسات الحمض النووي الريبي + ssRNA المغلفة التي تصيب الثدييات والبرمائيات والطيور. يحتوي تصنيفه السفلي على فصيلتين فرعيتين ، Letovirinae و Orthocoronavirinae. يتم تحديد أعضاء Orthocoronavirinae على أنهم فيروسات كورونا. فيروسات كورونا هي فصيلة فرعية من Coronaviridae ، والتي ترتبط بفيروسات الحمض النووي الريبي التي تسبب العدوى في الثدييات والطيور. في الثدييات والطيور ، تسبب هذه الفيروسات التهابات خفيفة إلى شديدة بمسحة الجهاز التنفسي ، مثل التهابات مسحة الجهاز التنفسي العلوي والتهابات مسحة الجهاز التنفسي السفلي10. تسبب هذه الفيروسات السارس ومتلازمة الشرق الأوسط التنفسية و COVID-19 في البشر وبعض الثدييات والإسهال في الخنازير والأبقار والتهاب الكبد والتهاب الدماغ والنخاعي. فيروسات كورونا مغلفة + ssRNA تنتمي إلى مملكة Orthornavirae ، وشعبة Pisuviricota ، وفئة Pisoniviricetes ، وفئة فرعية من Nidovirales ، وعائلة Coronaviridae ، وفصيلة فرعية من Orthocoronavirinae. يتم تصنيف فيروسات كورونا إلى أربعة أجناس ، وهي فيروس كورونا ألفا ، وفيروس كورونا بيتا ، وفيروس جاما التاجي ، ودلتا كورونا11. بناء على هذا البحث ، يتم تشكيل الفرضيات التالية.

طفرة سبايك المتلازمة التنفسية الحادة الوخيمة فيروس كورونا-2 (SARS-CoV-2) شديدة الجليكوزيل. من الأهمية بمكان فحص العواقب البيولوجية لهذه الطفرات المرتفعة. يمكن أن تنشأ أكثر من طفرة واحدة في نفس الموضع في تسلسل بروتين سبايك. أتاحت تسلسلات بروتين سبايك فرصة لتقدير مجموعة واسعة من الطفرات المكتشفة في جميع أنحاء العالم ، وهي ممثلة في الجدول 1. كانت الطفرات التي تم النظر فيها نتيجة لانتقال الفيروس من إنسان إلى آخر. أدى التطعيم إلى ردود فعل مناعية قادرة على تحييد SARS-CoV-212 بقوة. على الرغم من أن التحقيقات العلمية اكتشفت ظهور متغيرات SARS-CoV-2 التي تخفي الطفرات في الارتفاع ، إلا أن الهدف الأساسي ظل تحييد الأجسام المضادة للمضيف. كان هناك مؤشر متطور على انخفاض تحييد بعض متغيرات SARS-CoV-2 بعد التطعيم. صاغ مصنعو اللقاحات منصات مختلفة لتحديث محتمل لهياكل اللقاحات ، وأجريت مسوحات للاختلافات الجينية والمستضدية في مجموعات الفيروسات العالمية مع تجارب لإلقاء الضوء على تأثيرات النمط الظاهري للطفرات13.

تحتوي قاعدة بيانات فيروسات المركز الوطني لمعلومات التكنولوجيا الحيوية (NCBI) على 10333 بروتينا سبايك بشريا ل SARS-CoV-2 من إفريقيا وآسيا وأوروبا وأمريكا الشمالية وأمريكا الجنوبية وأوقيانوسيا. يظهر في الجدول أعلاه انتشار العديد من الطفرات في بروتينات سبايك التي تم فحصها من مواقع جغرافية مختلفة. يتم توفير تفاصيل فيروس كورونا ألفا وبيتا وجاما ودلتا بأجناسها وميزاتها وأوصافها في الجدول أعلاه. يتم وصف كل جنس بميزاته ، مثل الأساسيات ، والمتغيرات ، والأهمية ، والشكل ، والقياس ، والهيكل ، واندماج الغشاء ، والإفراج ، والتلوث ، والتوليف14.

كما هو مذكور في الجدول 1 ، لاحظت سلالات الفيروس مثل HCoV-229E و HCoV-OC43 و HCoV-NL63 و HCoV-HKU1 أعراضا خفيفة إلى متوسطة للمرض ، بينما لاحظت SARS-CoV و MERS-CoV و SARS-CoV-2 أعراضا حرجة شديدة للمرض لدى البشر. تمر الكائنات الحية الدقيقة الفيروسية عبر الجسم وتصيب الخلية المضيفة. اعتمادا على فئة فيروس كورونا ، فإنه يصيب الخلايا في أجزاء مختلفة من الجسم المضيف. [فور فور س] هو قد تعلق إلى الخلية قوية وصحية, يذهب هو داخلهو 15. بعد أن يستقر الفيروس داخل الخلية المضيفة ، سوف يفكك الفوضى ، وينبعث الحمض النووي والحمض النووي الريبي الخاص به وينتقل نحو النواة. سوف يتحركون في جزء ، مما يؤدي إلى نسخ مختلفة من الفيروس. ستخرج هذه النسخ من النواة ليتم تجميعها وتلقي البروتين الذي يحمي الحمض النووي والحمض النووي الريبي. ستعمل هذه النسخ الجديدة للفيروس على إخلاء الخلايا المصابة والمريضة سابقا لتلويث الخلايا المضيفة السليمة الأخرى مرة أخرى والتكاثر. إذا نجح الجهاز المناعي للمضيف في محاربة فيروس كورونا ، فلن يمرض الفرد. خلاف ذلك ، قد تحدث مضاعفات غير صحية. إذا فشل الجهاز المناعي في السيطرة على فيروس كورونا ، فإنه يؤدي إلى التسبب في المرض. مع هذا ، يدخل الفيروس الجسم ويصيب أعضاء مختلفة. اعتمادا على مدى شدة العلامات أو الأعراض ، سيأخذ الفرد الراحة أو متابعة المساعدة الطبية16. يتم تصوير دورة الحياة وسلالات مختلفة من فيروس كورونا في الشكل 1.

يصور الشكل أعلاه دورة حياة ومراحل فيروس كورونا بطريقة مفصلة. هناك سبع مراحل ، وهي (1) التعلق والقبول ، (2) الاندماج والالتقام الخلوي ، (3) تحلل البروتين ، (4) الترجمة والانقسام ، (5) النسخ المتماثل ، (6) إفراز الخلايا ، و (7) إطلاق الفيروس الناضج. في مرحلة التعلق والقبول ، يتم قبول الكائنات الحية الدقيقة لفيروس كورونا في المضيف ، والهدف هو استراتيجيات الاستطلاع والتدخل المقاومة للمضيف. لدخول الخلايا المضيفة ، ترتبط هذه الفيروسات أولا بمستقبلات سطح الخلية للارتباط ، ثم تدخل الجسيمات الداخلية ، وتبدأ في الاندماج في النهاية. في وقت لاحق ، يندمج الفيروس التاجي مع الأغماد المرتبطة بالفيروس والليزوزومات في الخلية المضيفة. يتداخل بروتين سبايك مثبت على سطح الفيروس مع دخول هذه الفيروسات. الالتقام الخلوي هو عملية خلوية يتم فيها نقل مادة إلى الخلية المضيفة17. يتم إحاطة المادة المراد اعتمادها بمجموعة من أغلفة الخلايا ، والتي تنطلق بعد ذلك داخل الخلية المضيفة لتوليد حويصلة تشمل المادة المبتلعة. يشتمل التقام الخلوي على كثرة الصنوبر والبلعمة. الأول هو شرب الخلايا ، والأخير هو أكل الخلايا. التحلل البروتيني هو تفصيل البروتينات المرتبطة بالفيروسات إلى عديد الببتيدات / الأحماض الأمينية الثانوية. تحويل mRNA المنظم هو عملية ما بعد النسخ التي تكبح جماح الاتصال الجيني وتتباعد على الفور بين وفرة البروتين. له جزء رئيسي في الإجراءات البيولوجية الوفيرة مثل نمو الخلايا ، وتقدم الخلية ، واللدونة المشبكية ، ومعوجات الإجهاد ، والتطور الفيروسي المنتج18. يمكن تقسيم إجراء الترجمة الفيروسية إلى ثلاث مراحل ، وهي التحريض والاستطالة والذوبان.

تكاثر الفيروس هو عملية توليد فيروسات وراثية من خلال تلوث الخلايا المضيفة المصابة. لكي يحدث تكاثر الفيروس ، يجب أن تدخل الفيروسات أولا إلى الخلية المضيفة. من خلال تكرار الجينوم الفيروسي بشكل متكرر وتغليف هذه النسخ ، تعيش الفيروسات وتستمر في الانتشار عن طريق إصابة الخلايا المضيفة الجديدة19. إفراز الخلايا هو الآلية التي يتم من خلالها إفراز الحويصلات التي تحتوي على جزيئات فيروسية وإطلاقها من الخلية المصابة ، مما يمكن الفيروسات المشكلة حديثا من دخول الجسم المضيف وإصابة خلايا صحية إضافية. تعرف العواقب اللاحقة الحادة ل SARS-CoV-2 (PASC) على أنها متلازمة تؤثر بشكل أساسي على الرئتين ، على الرغم من أنها يمكن أن تؤثر على أعضاء متعددة ، مما يؤدي إلى تلف الأعضاء أو حتى فشل الأعضاء20. قد تؤدي هذه المضاعفات إلى الوفاة أو مشاكل صحية طويلة الأمد. على سبيل المثال ، قد يطور القلب زيادة خطر الإصابة بفشل القلب أو مضاعفات أخرى. قد تتحمل الرئتان صعوبات في التنفس على المدى الطويل بعد الالتهاب الرئوي. قد يتأثر الدماغ بالسكتات الدماغية أو المضبوطات أو متلازمة غيلان باريه. وقد تتعرض الكلى لتلف يمكن أن يؤدي إلى صدمة إنتانية. يمكن أن تحدث إصابة الكبد بسبب عدم توازن الإنزيم ، بينما يؤدي انحلال الربيدات إلى انهيار الأنسجة العضلية ، مما يؤدي إلى إطلاق الميوغلوبين في مجرى الدم ، والذي يمكن أن يصبح قاتلا إذا لم تتمكن الكلى من تصفيته بسرعة. تشمل المضاعفات الإضافية تكوين جلطات دموية غير طبيعية تسبب نزيفا داخليا وفشل الأعضاء ، والالتهابات الثانوية من البكتيريا مثل البكتيريا العقدية أو المكورات العنقودية ، والتخثر المنتشر داخل الأوعية الدموية بسبب استجابات التخثر المختلة ، والتعب المزمن ، وغالبا ما يكون مصحوبا بضباب دماغي أو تعب شديد أو دوخة أو ضعف التفكير. بناء على هذه التحديات ، يتم اقتراح الفرضيات التالية: H1: يمكن أن يؤدي استخدام خوارزمية التعلم الانتقالي إلى تعزيز دقة التنبؤ وقابلية نقل النماذج بشكل كبير من خلال تطبيق البيانات الوبائية لتحديد PASC الخاصة بالمنطقة. H1a: نماذج التعلم العميق التي يتم ضبطها بدقة باستخدام البيانات الوبائية تعمل بشكل أفضل من النماذج الأخرى. H1b: يؤدي الجمع بين محددات PASC الخاصة بالمنطقة ونماذج التعلم المنقولة إلى تحسين دقة وكفاءة التصنيف والتجميع. H1c: يمكن أن يكشف هذا المزيج أيضا عن أنماط خاصة بالمنطقة لم يتم الكشف عنها سابقا أو تم التغاضي عنها. H1d: يتيح نقل التعلم تقليل وقت التدريب والتقارب الأسرع مقارنة بالنماذج الأخرى.

Access restricted. Please log in or start a trial to view this content.

Protocol

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

أجريت هذه الدراسة وفقا للمبادئ التوجيهية الأخلاقية للبحث الذي يتضمن البيانات البشرية. تم إخفاء هوية جميع بيانات المريض المستخدمة في هذه الدراسة بالكامل قبل الوصول والتحليل. لم يتم استخدام أي معلومات تعريف شخصية. تمت مراجعة بروتوكول البحث والموافقة عليه من قبل مجلس المراجعة المؤسسية (IRB) ، وفقا لإعلان هلسنكي. عند الاقتضاء ، تم الحصول على أذونات الوصول إلى البيانات من السلطات المختصة أو مستودعات البيانات. نظرا لأن هذه الدراسة تتضمن تحليلا ثانويا للبيانات غير المحددة ، فقد تم التنازل عن الموافقة المستنيرة من قبل مجلس المراجعة المؤسسية. نموذج النقل الكامن المقترح عبارة عن تقنية تعلم شبه خاضعة للإشراف قائمة على التعلم الآلي مصممة للعثور على الأنماط المخفية ونقلها من مجموعة البيانات المصدر إلى مجموعة البيانات المستهدفة ، مما يضمن أنها مناسبة للغاية لتحليل المشكلات الوبائية ل PASC16. غالبا ما تظهر حالات ما بعد COVID بأعراض متنوعة عبر مجموعات سكانية مختلفة ، مما يؤدي إلى بيانات غير متسقة ومتناثرة. يعالج العمل المقترح مشكلة البيانات المتناثرة بسبب الأعراض المتنوعة عبر مناطق مختلفة من خلال تعلم تمثيلات كامنة محسنة لتمثيل أنماط الصحة المخفية من مجموعات البيانات ، وتمثيلها كمجموعات بيانات ناشئة. لإجراء هذا التحويل ، تستخدم تقنيات النقل الكامن هذه برامج ترميز تلقائية أو متغيرة لتمثيل كل من البيانات المصدر والهدف في مساحة كامنة مشتركة. وهذه المساحة المشتركة تحمي الأنماط الخفية التي تم الحصول عليها حيث يتم الحفاظ على مجموعات من أعراض ما بعد COVID بشكل جيد عبر مناطق متنوعة21. يمكن للنموذج الأولي أن يتقدم بشكل أكبر من خلال تحسين التعميم مع تكييف المجال. باستخدام هذا النهج ، يمكن أن يساعد النموذج في التعرف على المجموعات المعرضة للخطر والتنبؤ بها ودعم مراقبة الصحة العمومية في المناطق النائية. يعزز هذا العمل أيضا التعلم عن طريق تقليل الاعتماد على البيانات المصنفة بالكامل. وبهذا يصبح النهج المقترح أداة قوية لتحليل الفجوات بسبب نهجه المعمم تجاه مختلف السكان.

1. مصادر البيانات وجمعها

استخدمت هذه الدراسة مجموعات بيانات Kaggle المتاحة للجمهور (مجموعة بيانات أمراض القلب والأوعية الدموية ، ومجموعة بيانات التنبؤ بالسرطان ، ومجموعة بيانات التنبؤ بمرضى السكري في المراحل المبكرة ، ومجموعة بيانات التنبؤ بالصحة العقلية). لذلك ، لا يلزم الحصول على موافقة IRB في هذا التقديم.

بالنسبة لمجموعات البيانات التي تتضمن بيانات الصور ، تم إجراء المعالجة المسبقة باستخدام Python مع مكتبات TensorFlow و OpenCV. تضمنت خطوات المعالجة المسبقة تغيير حجم الصورة (على سبيل المثال ، 224 × 224 بكسل) ، وتحويل التدرج الرمادي أو RGB ، وتطبيع قيم البكسل إلى نطاق [0 ، 1] ، وتقنيات زيادة البيانات (التدوير ، والتقليب ، والتكبير) لتحسين تعميم النموذج وتقليل الإفراط في التركيب. ثم تم تحويل مصفوفات الصور إلى مصفوفات NumPy لمزيد من المعالجة وإدخال النموذج.

لاختيار الميزة ، تم تنفيذ إزالة الميزات العودية (RFE) باستخدام فئة RFE الخاصة ب Scikit-learn ، عادة جنبا إلى جنب مع الانحدار اللوجستي أو مقدر الغابة العشوائية. اختلف عدد الميزات المختارة لكل مجموعة بيانات ، ولكن كان التكوين الشائع هو تقليل الأبعاد إلى أعلى 10-15 ميزة مؤثرة بناء على الدرجات المتكررة. حسنت هذه الطريقة دقة التصنيف مع تقليل التعقيد الحسابي والإفراط في تجهيز النموذج.

استخدمت هذه الدراسة أربع مجموعات بيانات متاحة للجمهور من Kaggle. مجموعة بيانات أمراض القلب والأوعية الدموية ، ومجموعة بيانات التنبؤ بسرطان الثدي ، ومجموعة بيانات التنبؤ بمرض السكري في المراحل المبكرة ، ومجموعة بيانات التنبؤ بالصحة العقلية. تم تنزيل مجموعات البيانات هذه مباشرة من Kaggle وتتكون من بيانات جدولية منظمة تحتوي على سمات سريرية وقائمة على المسح. تم إجراء المعالجة المسبقة للبيانات باستخدام Python مع المكتبات الرئيسية مثل Pandas لمعالجة البيانات ، و NumPy للعمليات الرقمية ، و Scikit-learn للمعالجة المسبقة للبيانات ، واختيار الميزات ، والنمذجة. تم احتساب القيم المفقودة باستخدام استراتيجيات المتوسط أو الوضع ، وتم ترميز المتغيرات الفئوية عبر One-Hot أو Label Encoding ، وتم قياس الميزات العددية باستخدام إما StandardScaler أو MinMaxScaler. بالنسبة للفئات غير المتوازنة ، تم تطبيق SMOTE (تقنية أخذ العينات الزائدة للأقلية الاصطناعية) من حزمة imblearn. تم تنفيذ القضاء على الميزات العودية (RFE) باستخدام وحدة RFE الخاصة ب Scikit-learn مع مقدرات مثل الانحدار اللوجستي والغابة العشوائية ، وتم تقليل عدد الميزات عادة إلى أعلى 10-15 ميزة مؤثرة بناء على مقاييس أداء النموذج مثل ROC-AUC والدقة.

2. نموذج الهندسة المعمارية

يقترح هذا البحث نوعا مختلفا من خوارزمية الشبكة العصبية يسمى نموذج النقل الكامن لتدريب الصور المدخلة من قاعدة بيانات صور COVID-19. هذا العمل فعال في التغلب على مشكلة التدرج المتلاشي عند بناء شبكة عصبية عميقة. على الرغم من توفر العديد من متغيرات الشبكة العصبية بتكوينات طبقة مختلفة ، إلا أن هذا العمل يركز بشكل أساسي على تنفيذ تقنيات التعلم المتبقي أثناء عملية تدريب الشبكات العصبية العميقة. يستخدم نموذج النقل الكامن المقترح خوارزمية محسنة ل ResNet-50 مع إطار طبقة تلافيفية 7 × 7 ، جنبا إلى جنب مع شبكات الطبقات المسطحة والكثيفة. تستخدم هذه الطبقات في تحويل الصورة والتصنيف متعدد الفئات لمرضى PASC ، على مستوى المنطقة ، لاستخراج الأنماط22. يأخذ هذا العمل في الاعتبار الصور المدخلة بحجم 256 × 256 × 3 ، باستخدام المعلمات الفائقة الفعالة ، وسلوك التعلم ، وإجراءات التحسين ، وأحجام الدفعات. يأخذ نموذج النقل الكامن المقترح في الاعتبار مجموعة بيانات من 12,946 صورة لتصنيف المرضى المعرضين لخطر الإصابة بأمراض القلب والأوعية الدموية والسرطان وأمراض الجهاز التنفسي المزمنة والسكري ومشاكل الصحة العقلية. يتم إعطاء تفاصيل مجموعة البيانات والمعلمات الفائقة في الجدول 2 والجدول 3 ، على التوالي.

لضمان قابلية التكرار ، تم إجراء جميع خطوات تنفيذ النموذج والمعالجة المسبقة والتقييم في بيئة خاضعة للرقابة باستخدام Python داخل Jupyter Notebook على نظام يعمل بنظام Windows 11 ، مزود بمعالج Intel Core i7 (الجيل الحادي عشر) وذاكرة وصول عشوائي (RAM) بسعة 16 جيجابايت ووحدة معالجة الرسومات NVIDIA GeForce RTX 3060 (لأي معالجة سريعة ، على الرغم من أن وحدة معالجة الرسومات لم تكن ضرورية لمجموعات البيانات هذه). تتضمن مكتبات البرامج المستخدمة Pandas 1.5.3 و NumPy 1.24 و Scikit-learn 1.3.0 و Imbalanced-learn 0.11.0 ل SMOTE و Matplotlib 3.7.1 و Seaborn 0.12.2 للتصور. تضمنت المعالجة المسبقة التعامل مع القيم المفقودة عبر إحالة المتوسط / الوضع ، وترميز المتغيرات الفئوية باستخدام One-Hot أو Label Encoding ، وتحجيم الميزات باستخدام StandardScaler. استخدم تطوير النموذج مصنفات مثل الانحدار اللوجستي والغابات العشوائية وآلات ناقلات الدعم ، مع إزالة الميزة العودية (RFE) لتقليل الأبعاد. تم تقييم النماذج باستخدام التحقق المتبادل من 5 أضعاف ، وتم قياس الأداء باستخدام مقاييس بما في ذلك الدقة والدقة والاستدعاء ودرجة ROC-AUC ، مما يضمن خط أنابيب متسق وقابل للتكرار.

3. المعالجة المسبقة وهندسة الميزات

لاسترداد المعالم ذات الدلالة الإحصائية من مجموعات البيانات هذه ، يتم استخدام تقنية معالجة مسبقة تسمى "تحديد المعالم باستخدام إزالة الميزات العودية (RFE)" ومسار نمذجة يسمى "نقل التعلم باستخدام المستقبل متعدد الطبقات (MLP)".

4. التدريب والتحقق من الصحة

تم استخدام نهج تدريب منظم والتحقق من الصحة لتقييم النهج المقترح لتحليل أعراض PASC والتنبؤ بها. في البداية ، تم تطبيق تقسيم اختبار القطار الهرمي للحصول على النظام التراكمي لتسميات الفئة بنسبة 80:20 من بيانات التدريب والاختبار. متبوعا بالتحقق المتبادل k-fold مع k = 5 ، تم تنفيذه على بيانات التدريب لتقييم متانة النموذج عبر أقسام مختلفة من البيانات. تم تطبيق مصنف MLP بطبقتين مخفيتين (64 و 32 خلية عصبية) و 300 تكرار. تم تنفيذ المزيد من تقنيات تمثيل الميزات ونقل التعلم.

5. مقاييس التقييم

تم حساب الدقة ، والقياس F ، و G-mean ، و MAPE ، والحساسية ، والخصوصية على بيانات الاختبار لمقارنة أداء النموذج المقترح. توضح النتائج تحسين مقاييس التقييم ، والدقة ، والقياس F ، و G-mean ، و MAPE ، والحساسية ، والخصوصية على بيانات الاختبار لمقارنة أداء النموذج المقترح مع النماذج الأخرى الحديثة ، وهي VGG-16 CNN و VGG-19 CNN و DenseNet-121 CNN و InceptionV3 CNN و ResNet-101 CNN و MobileNetV2 CNN ونموذج النقل الكامن المقترح. تحتوي مجموعة البيانات أعلاه على عينات تدريب والتحقق من الصحة واختبار البيانات المتعلقة بأمراض القلب والأوعية الدموية والسرطان والجهاز التنفسي المزمن والسكري والأمراض العقلية.

تم إجراء جميع التجارب في بيئة Windows 11 باستخدام Python 3.10 على نظام مزود بمعالج Intel Core i7 وذاكرة وصول عشوائي (RAM) بسعة 16 جيجابايت ووحدة معالجة رسومات NVIDIA RTX 3060. تمت معالجة مجموعات بيانات Kaggle المتاحة للجمهور مسبقا باستخدام Pandas و NumPy و Scikit-learn لإسناد القيمة المفقودة والترميز والقياس واختيار الميزات عبر إزالة الميزات العودية (RFE). تم تدريب وتقييم نماذج مثل الانحدار اللوجستي و Random Forest و SVM باستخدام التحقق المتبادل 5 أضعاف مع المقاييس بما في ذلك الدقة والدقة والاستدعاء و ROC-AUC لضمان قابلية التكرار واتساق الأداء.

يوضح الجدول أعلاه تفاصيل المعلمات الفائقة والتقنية أو الخوارزمية التي تستخدمها. يتم إعطاء معدل التعلم ، وتقنية التوقف المبكر ، وحجم الدفعة ، وحجم الحقبة ، وعمليات الاسترجاعات ، ووظيفة الخسارة ، والمقاييس لقياس الكفاءة لخوارزمية Adam Optimizer.

Access restricted. Please log in or start a trial to view this content.

Results

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

تتم مقارنة النموذج المقترح بنماذج النقل الحالية ، بما في ذلك VGG-16 CNN و VGG-19 CNN و DenseNet-121 CNN و InceptionV3 CNN و ResNet-101 CNN و MobileNetV2 CNN. يتم عرض تفاصيل المعلمات ونتائج المقارنة في الجدول 4 والجدول 5 والشكل 2 على التوالي. توضح النتائج تحسين مقاييس التقييم باستخدام النموذج المقترح على النماذج الأخرى ، وهي VGG-16 CNN و VGG-19 CNN و DenseNet-121 CNN و InceptionV3 CNN و ResNet-101 CNN و MobileNetV2 CNN.

تم تنفيذ ال...

Access restricted. Please log in or start a trial to view this content.

Discussion

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

يركز الاقتراح على بناء نموذج تعلم نقل كامنة للتعامل مع تأثيرات PASC. يؤدي هذا الهيكل إلى مشاكل صحية جسدية وعقلية حادة ، خاصة في منتصف العمر وكبار السن ، وأولئك الذين يعانون من أمراض مزمنة سابقة ، مثل أمراض القلب والأوعية الدموية والسرطان وأمراض الجهاز التنفسي والسكري. الهدف النهائي هو توحيد بيانات المرضى المتنوعة من مجموعات سكانية مختلفة بمساعدة نموذج نقل كامن للسماح بالرعاية الشخصية والكشف المبكر والعلاج الفعال ل PASC. تستخدم هذه التقنية نقل التعلم لسد الفجوة بين البيانات السريرية المعق...

Access restricted. Please log in or start a trial to view this content.

Disclosures

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

يعلن المؤلفون أنه لا يوجد تضارب في المصالح فيما يتعلق بنشر هذه المقالة.

Materials

List of materials used in this article
NameCompanyCatalog NumberComments
بيئة الحوسبة السحابية (على سبيل المثال ، Google Colab / AWS EC2)جوجل / أمازونغير متاحتستخدم لتدريب نماذج التعلم العميق مع تسريع GPU
مجموعة البيانات الوبائية (عواقب ما بعد الحادة من SARS-CoV-2 ، خاصة بالمنطقة)مستودعات بيانات الصحة العامة (على سبيل المثال ، منظمة الصحة العالمية ، CDC ، ICMR ، المستشفيات الإقليمية)غير متاحمجموعة بيانات لنقل تجارب التعلم
دفتر جوبيترمشروع Jupyterمفتوح المصدربيئة تفاعلية للترميز والتوثيق
كيراسمفتوح المصدرمتكامل مع TensorFlowواجهة برمجة تطبيقات عالية المستوى لبناء وتدريب نماذج التعلم العميق
ماتبلوتليب / سيبورنمفتوح المصدرغير متاحمكتبات التصور المستخدمة في الرسوم البيانية وتحليل الاتجاهات الوبائية
رقممفتوح المصدرغير متاحمكتبة الحساب العددي
الباندامفتوح المصدرغير متاحمكتبة معالجة البيانات وتحليلها
نماذج CNN / Transformer المدربة مسبقا (على سبيل المثال ، EfficientNet ، النماذج المستندة إلى BERT)TensorFlow Hub / HuggingFaceطراز خاصتستخدم لنقل التعلم والضبط الدقيق للتنبؤ الوبائي
Python (الإصدار 3.8 أو أعلى)مؤسسة برامج بايثونمفتوح المصدرلغة البرمجة المستخدمة للمعالجة المسبقة للبيانات وتدريب النماذج والتقييم
تعلم العلوممفتوح المصدرغير متاحمكتبة التعلم الآلي للمعالجة المسبقة ومقاييس التقييم والنماذج الأساسية
TensorFlow (v2.x)جوجلمفتوح المصدرإطار عمل التعلم العميق المستخدم لنقل التعلم ونشر النموذج

References

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,
  1. Morens, D. M., et al. The origin of COVID-19 and why it matters. Am J Trop Med Hyg. 103 (3), 955(2020).
  2. Balaram, P. The murky origins of the coronavirus SARS-CoV-2, the causative agent of the COVID-19 pandemic. Curr Sci. 120 (11), 1663-1666 (2021).
  3. Alanagreh, L., Alzoughool, F., Atoum, M. The human coronavirus disease COVID-19: its origin, characteristics, and insights into potential drugs and its mechanisms. Pathog. 9 (5), 331(2020).
  4. Zhukova, A., et al. evolution and global spread of SARS-CoV-2. C R Biol. 344 (1), 57-75 (2021).
  5. de-Graft Aikins, A., Akoi-Jackson, B. "Colonial Virus": COVID-19, creative arts and public health communication in Ghana. Ghana Med J. 54 (4), 86-96 (2020).
  6. Cohen, K., et al. Risk of persistent and new clinical sequelae among adults aged 65 years and older during the post-acute phase of SARS-CoV-2 infection: Retrospective cohort study. BMJ. 376, 1-10 (2022).
  7. Daugherty, S. E., et al. SARS-CoV-2 infection and risk of clinical sequelae during the post-acute phase: A retrospective cohort study. medRxiv. 1 (1), 2021-2103 (2021).
  8. de Souza, L. C., et al. A new proposal of viral genome representation applied in the classification of SARS-CoV-2 with deep learning. BMC Bioinformat. 24 (1), 92(2023).
  9. Horberg, M. A., et al. Post-acute sequelae of SARS-CoV-2 with clinical condition definitions and comparison in a matched cohort. Nat Commun. 13 (1), 1-13 (2022).
  10. Huang, J., et al. On-site detection of SARS-CoV-2 antigen by deep learning-based surface-enhanced Raman spectroscopy and its biochemical foundations. Anal Chem. 93 (26), 9174-9182 (2021).
  11. Jason, L. A., Islam, M. F. A classification system for post-acute sequelae of SARS-CoV-2 infection. Cent Asian J Med Hypotheses Ethics. 3 (1), 38-51 (2022).
  12. Moghimi, N., et al. The neurological manifestations of post-acute sequelae of SARS-CoV-2 infection. Curr Neurol Neurosci Rep. 21 (1), 1-17 (2021).
  13. Parker, A. M., et al. Addressing the post-acute sequelae of SARS-CoV-2 infection: A multidisciplinary model of care. Lancet Respir Med. 9 (11), 1328-1341 (2021).
  14. Proal, A. D., et al. SARS-CoV-2 reservoir in post-acute sequelae of COVID-19 (PASC). Nat Immunol. 24 (10), 1616-1627 (2023).
  15. Serna García, G., et al. CoVEffect: Interactive system for mining the effects of SARS-CoV-2 mutations and variants based on deep learning. GigaScience. 12 (1), giad036(2023).
  16. Sherif, Z. A., et al. Pathogenic mechanisms of post-acute sequelae of SARS-CoV-2 infection (PASC). eLife. 12, e86002(2023).
  17. Swank, Z., et al. Persistent circulating SARS-CoV-2 spike is associated with post-acute COVID-19 sequelae. medRxiv. 1 (1), 2022-2106 (2022).
  18. Takao, M., Ohira, M. Neurological post-acute sequelae of SARS-CoV-2 infection. Psychiatry Clin Neurosci. 77 (2), 72-83 (2023).
  19. Tariq, M. U., et al. Harnessing the power of AI: Advanced deep learning models optimization for accurate SARS-CoV-2 forecasting. PLoS One. 18 (7), e0287755(2023).
  20. Vehar, S., et al. Update to post-acute sequelae of SARS-CoV-2 infection: Caring for the 'long-haulers. Cleve Clin J Med. 1 (1), 1-5 (2021).
  21. Wang, C., et al. Acute and post-acute sequelae of SARS-CoV-2 infection: A review of risk factors and social determinants. Virol J. 20 (1), 124(2023).
  22. Wang, G., et al. Deep-learning-enabled protein-protein interaction analysis for prediction of SARS-CoV-2 infectivity and variant evolution. Nat Med. 29 (8), 2007-2018 (2023).
  23. Wang, Z., Yang, L. Post-acute sequelae of SARS-CoV-2 infection: A neglected public health issue. Front Public Health. 10, 908757(2022).
  24. Whata, A., Chimedza, C. Deep learning for SARS-CoV-2 genome sequences. IEEE Access. 9, 59597-59611 (2021).
  25. Yang, Z., Bogdan, P., Nazarian, S. An in silico deep learning approach to multi-epitope vaccine design: a SARS-CoV-2 case study. Sci Rep. 11 (1), 3238(2021).
  26. Zhang, H., et al. Data-driven identification of post-acute SARS-CoV-2 infection subphenotypes. Nat Med. 29 (1), 226-235 (2023).
  27. Fernández-de-Las-Peñas, C., et al. Defining post-COVID symptoms (post-acute COVID, long COVID, persistent post-COVID): an integrative classification. Int J Environ Res Public Health. 18 (5), 2621(2021).
  28. Çalıca Utku, A., et al. Main symptoms in patients presenting in the COVID-19 period. Scott Med J. 65 (4), 127-132 (2020).
  29. Viner, R. M., et al. Systematic review of reviews of symptoms and signs of COVID-19 in children and adolescents. Arch Dis Child. 106 (8), 802-807 (2021).
  30. Salamanna, F., et al. Post-COVID-19 syndrome: The persistent symptoms at the post-viral stage of the disease. A systematic review of the current data. Front Med. 8, 653516(2021).
  31. Proal, A. D., VanElzakker, M. B. Long COVID or post-acute sequelae of COVID-19 (PASC): An overview of biological factors that may contribute to persistent symptoms. Front Microbiol. 12, 698169(2021).
  32. Pavli, A., Theodoridou, M., Maltezou, H. C. Post-COVID syndrome: Incidence, clinical spectrum, and challenges for primary healthcare professionals. Arch Med Res. 52 (6), 575-581 (2021).
  33. Carod-Artal, F. J., García-Moncó, J. C. Epidemiology, pathophysiology, and classification of the neurological symptoms of post-COVID-19 syndrome. Neurol Perspect. 1, S5-S15 (2021).
  34. Lippi, G., Sanchis-Gomar, F., Henry, B. M. COVID-19 and its long-term sequelae: What do we know in 2023. Pol Arch Intern Med. 133 (4), 16402(2023).

Access restricted. Please log in or start a trial to view this content.

Reprints and Permissions

Request permission to reuse the text or figures of this JoVE article

Request Permission

Tags

Transfer LearningPost Acute SequelaeSARS CoV 2Epidemiological StudyLatent Transfer ModelPersonalized HealthcareData IntegrationPublic Health OutcomesChronic Health ConditionsRegional Variability

Related Articles