Research Article

Nutzung des Transfer-Learning-Ansatzes für die epidemiologische Untersuchung regionenspezifischer postakuter Folgen von 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

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

Die vorgeschlagene Arbeit zielt darauf ab, eine neuartige Transfer-Learning-Technik zu entwerfen und zu implementieren, um ein besseres Verständnis langfristiger Gesundheitsergebnisse zu ermöglichen und maßgeschneiderte epidemiologische Erkenntnisse zu unterstützen.

Abstract

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

Die postakuten Folgen von SARS-CoV-2 (PASC) stellen ein extremes Risikoumfeld mit schwerwiegenden Folgen dar, insbesondere für Erwachsene mittleren und älteren Alters sowie für Menschen mit chronischen Erkrankungen wie Herz-Kreislauf-Erkrankungen, Krebs, Atemwegserkrankungen und Diabetes. Zu den körperlichen Störungen gehören starke und anhaltende Körperschmerzen, Müdigkeit und Schwierigkeiten bei Körperbewegungen. In ähnlicher Weise sind Stimmungsstörungen wie Depressionen, Stimmungsschwankungen, Gefühle der Hoffnungslosigkeit und Konzentrationsschwierigkeiten signifikante Prädiktoren für PASC. Einzelpersonen, vor allem Menschen mittleren Alters und ältere Menschen, sind mit zunehmenden körperlichen und psychischen Folgen konfrontiert, darunter häufige Krankenhausaufenthalte, medizinisch instabile Zustände und in einigen Fällen unerwartete Todesfälle. Die rechtzeitige Identifizierung von PASC ist unerlässlich, um die Schwere der damit verbundenen Gesundheitsprobleme zu mildern. Diese Studie empfiehlt ein latentes Transfermodell, um Patientendaten aus verschiedenen Regionen zu integrieren, Erkenntnisse in die Daten zu extrahieren und personalisierte Gesundheitslösungen bereitzustellen. Diese Studie zeigt das Potenzial des latenten Transfer-Lernmodells zur Verbesserung der Datenvereinfachung, Generalisierung, Personalisierung, Erkenntniserkennung, Variabilität, Skalierbarkeit und Anpassungsfähigkeit zur Verbesserung der Ergebnisse im Bereich der öffentlichen Gesundheit.

Introduction

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

Die Coronavirus-Krankheit des Jahres 2019 (COVID-19) wurde erstmals in Wuhan, China, identifiziert. Am 31. Dezember 2019 berichtete China der Weltgesundheitsorganisation (WHO) über Lungenentzündungskrankheiten mit unbekannter Ätiologie, die in der Stadt Wuhan in der Provinz Hubei, China, festgestellt wurden1. Vom 31. Dezember 2019 bis zum 3. Januar 2020 infizierten sich 44 Personen mit diesem Virus und hatten in der Vergangenheit Kontakt mit dem Großmarkt "Huanan Seafood". Anfangs wurden Patienten mit Fieber, Müdigkeit und trockenem Husten beobachtet. Der Ausbruch dieses Virus ereignete sich am 30. Januar 2020 und wurde von der WHO als gesundheitliche Notlage von internationaler Tragweite eingestuft1. Bis Mitte Februar 2020 waren mehr als 25 Länder vom neuartigen Coronavirus betroffen, mit 70.635 bzw. 794 Fällen in China und anderen Ländern. Eintausendsiebenhundertzweiundsiebzig Todesfälle (1772) in China und drei Todesfälle in allen Ländern wurden offiziell erklärt. Am 31. Dezember 2019 wurde eine Reihe von Fällen von Lungenentzündungsinfektionen gemeldet, und die WHO berichtete, dass in Wuhan keine Todesfälle gemeldet wurden. In Thailand wurde am 13. Januar 2020 in Bangkok der erste Fall einer 61-jährigen Chinesin bekannt gegeben, die am 8. Januar 2020 nach einem Besuch in Wuhan City aus Wuhan City zurückkehrte. Sie war symptomatisch mit Halsschmerzen, Husten, Fieber, Schüttelfrost und Kopfschmerzen. Die Person wurde am 8. Januar 2020 bei der thermischen Überwachung positiv auf COVID-19 getestet und noch am selben Tag von thailändischen Beamten ins Krankenhaus eingeliefert. Die Person, die sich von der Krankheit erholt hat. Die genetische Sequenzierungsstruktur des Virus wurde von der chinesischen Regierung geteilt und ermöglichte es mehr Ländern, Patienten effizient zu untersuchen und zu diagnostizieren2.

In den Vereinigten Staaten von Amerika wurde der erste Fall am 19. Januar 2020 in Washington bei einem 35-jährigen Mann gemeldet, der am 15. Januar 2020 nach seinem Familientreffen aus Wuhan City zurückkehrte. Er hatte seit dem 15. Januar 2020 Symptome von Husten und Fieber und es wurde ihm geraten, sich medizinischen Tests zu unterziehen. Er hatte keinen Kontakt zu einer COVID-19-infizierten Person, aber während seines Besuchs in Wuhan infizierte er sich aufgrund des Ausbruchs in China mit COVID-19. Er wurde am 20. Januar 2020 positiv auf COVID getestet und in einer luftgestützten Isolationseinheit eines medizinischen Zentrums unter Quarantäne gestellt. Nach seiner Einweisung in die Isolierstation war er normal mit einer Pulsfrequenz von 110/min, einem Blutdruck von 134/87 mmHg, einer Körpertemperatur von 37,2 °C, einer Atemfrequenz von 16 Schlägen pro Minute und einer Sauerstoffsättigung von 96 % bei normaler Lungenauskultation. Es wurden regelmäßige COVID-Überwachungs- und Untersuchungstests durchgeführt, und es wurde festgestellt, dass er zwei Tage lang Husten, Übelkeit und Erbrechen hatte3. Am zweiten Tag der Aufnahme klagte er über Bauchbeschwerden, und am nächsten Tag gab es keine Hinweise auf Anomalien in der Röntgenaufnahme des Brustkorbs. Am fünften Tag wurden jedoch signifikante Hinweise auf eine Lungenentzündung im Röntgenbild des Brustkorbs festgestellt, und die Sauerstoffsättigung sank auf 90 %. Ihm wurde empfohlen, sich einer Sauerstofftherapie zu unterziehen, die ergänzt wurde, um den Sättigungsgrad zu verbessern. Am 8. Tag besserte sich ihr Zustand und sie wurde aus der Klinik entlassen. In Indien wurde der erste Fall am 27. Januar 2020 in Kerala bei einer 20-jährigen Frau gemeldet, die aufgrund des COVID-19-Ausbruchs in China aus Wuhan City zurückgekehrt war. Sie war vom 23. Januar 2020 bis zum 26. Januar 2020 asymptomatisch und hatte ab dem 27. Januar 2020 Halsschmerzen und leichten Husten. Sie hatte keinen Kontakt zu den COVID-19-Infizierten, aber während ihrer Zugfahrt von Wuhan nach Kunming bemerkte sie mehrere Menschen mit Atemwegsproblemen, Erkältungen und Husten. Daher wiesen die Regierungsbehörden von Kerala sie an, an einem isolierten Ort zu bleiben und in den kommenden Tagen eine medizinische Einrichtung aufzusuchen, um sich bei auftretenden COVID-Symptomen zu beschweren. Nach ihrer Einweisung in das allgemeine Krankenhaus war sie normal mit einer Pulsfrequenz von 82/min, einem Blutdruck von 130/80 mmHg, einer Körpertemperatur von 98,5 °F und einer Sauerstoffsättigung von 96 % bei normaler Lungenauskultation. Regelmäßige COVID-Überwachungs- und Untersuchungstests wurden am 3., 7. und 20. Tag nach dem Tag der Erkrankung durchgeführt. Oropharyngeal-Abstrichtests wurden am ersten Tag und jeden zweiten Tag für 23 Tage ab dem Tag der Erkrankung durchgeführt und waren ab dem 17. Tag negativ. Sie wurde mit allen Tests freigegeben und am 20. Februar 2020 aus dem Krankenhaus entlassen4.

Im Vereinigten Königreich wurde der erste Fall von COVID-19 am 23. Januar 2020 von einer 50-jährigen Frau gemeldet, die nach ihrem Besuch aus der Stadt Wuhan zurückgekehrt war. Zunächst war sie asymptomatisch und entwickelte am 26. Januar 2020 Symptome wie Fieber, Schwäche, Halsschmerzen und trockenen Husten. Nach ihrer Einweisung in das Allgemeinkrankenhaus war sie normal mit einer Atemfrequenz von 18/min, einem Blutdruck von 120/80 mmHg, einer Körpertemperatur von 37,6 °C und einer Sauerstoffsättigung von 97 %. Es wurden regelmäßige COVID-Überwachungs- und Untersuchungstests durchgeführt, und der Zustand des Patienten ist klinisch stabil. Erste Untersuchungen berichteten von einer leichten Lymphopenie und einem Anstieg des C-reaktiven Proteins. Nach dem 3. Tag der Aufnahme ins Krankenhaus wurde sie von allen Symptomen befreit, und Oropharyngeal-Abstrichtests erwiesen sich ab dem zweiten Tag im Krankenhaus als COVID-negativ. Sie war 2 Wochen lang isoliert und ihre Nasen- und Rachenabstriche zeigten minus5 Punkte.

Coronaviren (CoVs) wurden in den 1960er Jahren entdeckt und wie folgt klassifiziert. Orthornavirae wird als das Reich verschiedener Viren bezeichnet, die Genome aus Ribonukleinsäure (RNA) enthalten und mit einer RNA-abhängigen RNA-Polymerase (RdRp) übersetzt werden. RdRp transkribiert das Genom der viralen RNA in Boten-RNA (mRNA) und repliziert das Genom. Zu den Merkmalen der Viren, die in Orthornavirae vorkommen, gehören Evolution, genetische Mutationen, Rekombination und Reassortment6. Genome, die aus RNA bestehen, gibt es von drei Typen, nämlich Positivstrang-RNA-Viren, Negativstrang-RNA-Viren (-ssRNA-Viren) und doppelsträngige RNA-Viren (dsRNA-Viren). Positivsträngige RNA-Viren (+ssRNA-Viren) sind eine Sammlung von assoziierten Viren, die eine einzelsträngige RNA mit positivem Sinn besitzen. Das Genom des +ssRNA-Virus kann als Kurier-RNA (mRNA) verwendet werden und wird von den Ribosomen der Wirtszellen direkt in virusverwandte Proteine umgewandelt. +ssRNA-Viren sind mit den Stämmen wie Pisuviricota, Kitrinoviricota und Lenarviricota assoziiert. Positivsträngige RNA-Viren enthalten verschiedene Krankheitserreger wie Hepacivirus C, Dengue, Ebola, Masern, Tollwut, Influenza, Schweres akutes respiratorisches Syndrom CoV, Respiratorisches Syndrom des Nahen Ostens Coronavirus CoV und Schweres akutes respiratorisches Syndrom CoV7. Negativsträngige RNA-Viren (-ssRNA-Viren) sind eine Ansammlung von assoziierten Viren, die einzelsträngige RNA mit negativem Sinn besitzen. Das Genom des -ssRNA-Virus kann als Kurier-RNA (mRNA) angesehen werden und wird von einem Enzym namens RNA-abhängige RNA-Polymerase (RdRp) produziert. -ssRNA-Viren bilden den Stamm Negarnaviricota. Negativsträngige RNA-Viren enthalten zwei Hauptzweige im Stamm, nämlich Haploviricotina und Polyploviricotina. Wichtige Wirbeltier-ssRNA-Viren sind Ebola, Hanta, Influenza, Lassa-Fieber und Tollwut. Doppelsträngige RNA-Viren (dsRNA-Viren) sind eine Ansammlung von polyphyletischen Viren, die doppelsträngige RNA-Genome besitzen. Das Genom der dsRNA transkribiert eine +ssRNA durch die virale RNA-abhängige RNA-Polymerase (RdRp). Das Genom des +ssRNA-Virus kann als Kurier-RNA (mRNA) verwendet werden und wird von den Ribosomen der Wirtszellen offen in virusverwandte Proteine umgewandelt. Das Genom des -ssRNA-Virus hingegen kann als Kurier-RNA (mRNA) dienen und von einem Enzym RNA-abhängige RNA-Polymerase (RdRp) produziert werden. dsRNA-Viren sind mit den Stämmen Duplornaviricota und Pisuviricota assoziiert. Zu den doppelsträngigen RNA-Viren gehören Rotaviren (die Kleinkinder befallen) und das Blauzungenvirus (das Rinder und Schafe befällt)8.

Pisuviricota wird als Stamm von RNA-Viren bezeichnet, der alle + ssRNA-Viren und dsRNA umfasst. Die untere Klassifikation enthält drei Klassen, nämlich Duplopiviricetes, Pisoniviricetes und Stelpaviricetes. Pisoniviricetes ist eine Klasse von +ssRNA-Viren, die Eukaryoten infizieren und kontaminieren. Die untere Klassifizierung umfasst drei Unterklassen, nämlich Nidovirales, Picornavirales und Sobelivirales. Nidovirale sind eine Ordnung von behüllter, +ssRNA, die Wirbeltiere und Wirbellose infiziert und kontaminiert9. Dies enthält eine Unterordnung von Viren, nämlich Abnidovirineae, Cornidovirineae, Nanidovirinae, Arnidovirineae, Mesnidovirineae und Tornidovirineae. Unter Nidoviralen werden verschiedene Familien unterschieden, wie z.B. Abyssoviridae, Coronaviridae, Nanghoshaviridae, Nanhypoviridae, Arteriviridae, Medioniviridae, Cremegaviridae, Mesoniviridae, Euroniviridae, Gresnaviridae, Roniviridae, Tobaniviridae, Mononiviridae und Olifoviridae8. Coronaviridae ist eine Familie von behüllten +ssRNA-Viren, die Säugetiere, Amphibien und Vögel infizieren. Die untere Klassifikation enthält zwei Unterfamilien, Letovirinae und Orthocoronavirinae. Die Vertreter der Orthocoronavirinae werden als Coronaviren identifiziert. Coronaviren sind eine Unterfamilie der Coronaviridae, die mit RNA-Viren verwandt ist, die bei Säugetieren und Vögeln Infektionen verursachen. Bei Säugetieren und Vögeln verursachen diese Viren leichte bis schwere Atemwegsabstrichinfektionen, wie z. B. Abstrichinfektionen der oberen Atemwege und Infektionen der unteren Atemwege10. Diese Viren verursachen SARS, MERS und COVID-19 bei Menschen und einigen Säugetieren, Durchfall bei Schweinen und Kühen, Hepatitis und Enzephalomyelitis. Coronaviren sind behüllte +ssRNA, die zum Königreich der Orthornavirae, zum Stamm der Pisuviricota, zur Klasse der Pisoniviricetes, zur Unterklasse der Nidoviralen, zur Familie Coronaviridae und zur Unterfamilie der Orthocoronavirinae gehören. Coronaviren werden in vier Gattungen eingeteilt, nämlich Alpha-Coronavirus, Beta-Coronavirus, Gamma-Coronavirus und Delta-Coronavirus11. Basierend auf dieser Forschung werden die folgenden Hypothesen aufgestellt.

Die Spike-Mutation des schweren akuten respiratorischen Syndroms des Coronavirus-2 (SARS-CoV-2) ist extrem glykosyliert. Es ist von entscheidender Bedeutung, die biologischen Folgen dieser Spike-Mutationen zu untersuchen. Mehr als eine Mutation kann an der gleichen Position in der Spike-Protein-Sequenz entstehen. Die Spike-Protein-Sequenzen boten die Möglichkeit, das breite Spektrum der weltweit nachgewiesenen Mutationen abzuschätzen, und sie sind in Tabelle 1 dargestellt. Die betrachteten Mutationen waren eine Folge der Übertragung des Virus von Mensch zu Mensch. Die Impfung löste Immunreaktionen aus, die in der Lage waren, SARS-CoV-2 stark zu neutralisieren12. Obwohl wissenschaftliche Untersuchungen das Aufkommen von SARS-CoV-2-Varianten entdeckten, die Mutationen im Spike verbergen, blieb das Hauptziel die Neutralisierung von Wirtsantikörpern. Es gab immer mehr Hinweise auf eine verminderte Neutralisierung einiger SARS-CoV-2-Varianten nach der Impfung. Impfstoffhersteller formulierten verschiedene Plattformen für eine mögliche Aktualisierung der Impfstoffstrukturen, und es wurden Erhebungen über genetische und antigene Variationen in der globalen Viruspopulation mit Experimenten durchgeführt, um die phänotypischen Einflüsse von Mutationen zu beleuchten13.

Die Virusdatenbank des National Center for Biotechnology Information (NCBI) enthält 10333 humane SARS-CoV-2-Spike-Proteine aus Afrika, Asien, Europa, Nordamerika, Südamerika und Ozeanien. Die Verbreitung mehrerer Mutationen in Spike-Proteinen, die von verschiedenen geografischen Standorten aus untersucht wurden, ist in der obigen Tabelle dargestellt. Einzelheiten zu den Coronavirus Alpha, Beta, Gamma und Delta mit ihren Gattungen, Merkmalen und Beschreibungen finden Sie in der obigen Tabelle. Jede Gattung wird durch ihre Merkmale beschrieben, wie z. B. Grund, Varianten, Bedeutung, Form, Messung, Struktur, Membranfusion, Freisetzung, Kontamination und Synthese14.

Wie in Tabelle 1 erwähnt, beobachteten Virusstämme wie HCoV-229E, HCoV-OC43, HCoV-NL63 und HCoV-HKU1 leichte bis mittelschwere Krankheitssymptome, während SARS-CoV, MERS-CoV und SARS-CoV-2 beim Menschen schwere kritische Krankheitssymptome beobachteten. Virusmikroorganismen passieren den Körper und infizieren die Wirtszelle. Je nach Kategorie des Coronavirus infiziert es Zellen in verschiedenen Teilen des Wirtskörpers. Sobald es sich an die starke und gesunde Zelle angeheftet hat, geht es in siehinein 15. Nachdem sich das Virus in der Wirtszelle niedergelassen hat, wird es sich auflösen, und seine DNA und RNA werden nach außen ausströmen und in Richtung Zellkern wandern. Sie bewegen sich in einem Fragment, was zu verschiedenen Vermehrungen des Virus führt. Diese Kopien werden aus dem Zellkern herauskommen, um zusammengesetzt zu werden und Proteine zu erhalten, die ihre DNA und RNA schützen. Diese neumodischen Nachbildungen des Virus werden die zuvor infizierten und kranken Zellen verlassen, um andere gesunde Wirtszellen wieder zu kontaminieren und sich zu vermehren. Gelingt es dem Immunsystem des Wirts, das Coronavirus abzuwehren, wird der Einzelne nicht krank; Andernfalls kann es zu ungesunden Komplikationen kommen. Gelingt es dem Immunsystem nicht, das Coronavirus unter Kontrolle zu bringen, kommt es zur Pathogenese. Damit dringt das Virus in den Körper ein und infiziert verschiedene Organe. Je nachdem, wie schwerwiegend die Anzeichen oder Symptome sind, wird sich die Person ausruhen oder medizinische Hilfe in Anspruch nehmen16. Der Lebenszyklus und die verschiedenen Stämme des Coronavirus sind in Abbildung 1 dargestellt.

Die obige Abbildung stellt den Lebenszyklus und die Stadien des Coronavirus detailliert dar. Es gibt sieben Stadien, nämlich (1) Anheftung und Aufnahme, (2) Fusion und Endozytose, (3) Proteolyse, (4) Translation und Spaltung, (5) Replikation, (6) Exozytose und (7) gereifte Virusfreisetzung. In der Anheftungs- und Aufnahmephase werden Coronavirus-Mikroorganismen in den Wirt aufgenommen, Ziel sind wirtsresistente Aufklärungs- und Interventionsstrategien. Um in Wirtszellen einzudringen, heften sich diese Viren zunächst an den Oberflächenrezeptor einer Zelle, um dort zu binden, dann in Endosomen einzudringen und schließlich mit der Fusion zu beginnen. Später verschmilzt das Coronavirus mit den virusbedingten und lysosomalen Hüllen in die Wirtszelle. Ein an der Virusoberfläche befestigtes Spike-Protein stört den Eintritt dieser Viren. Die Endozytose ist ein zellulärer Prozess, bei dem eine Substanz in die Wirtszelle transportiert wird17. Das aufzunehmende Material wird von einer Reihe von Zellhüllen umschlossen, die dann im Inneren der Wirtszelle nach oben schießen und ein Vesikel erzeugen, das die aufgenommene Substanz umfasst. Die Endozytose umfasst die Pinozytose und die Phagozytose; Ersteres ist das Trinken von Zellen, und letzteres ist das Essen von Zellen. Proteolyse ist die Aufschlüsselung von virusverwandten Proteinen in kleinere Polypeptide/Aminosäuren. Die strukturierte mRNA-Umwandlung ist ein posttranskriptioneller Prozess, der die Genkommunikation zügelt und die Proteinfülle umgehend divergiert. Es spielt eine Hauptrolle bei zahlreichen biologischen Prozessen wie Zellwachstum, Zellfortschritt, synaptischer Plastizität, Stressretorten und produktiver Virusentwicklung18. Das virale Translationsverfahren kann in drei Phasen unterteilt werden, nämlich Anstiftung, Verlängerung und Auflösung.

Unter Virusreplikation versteht man den Prozess der Erzeugung genetischer Viren durch die Kontamination infizierter Wirtszellen. Damit es zu einer viralen Vermehrung kommen kann, müssen Viren zunächst in die Wirtszelle eindringen. Durch die wiederholte Replikation ihres viralen Genoms und die Verkapselung dieser Kopien überleben Viren und verbreiten sich weiter, indem sie neue Wirtszellen infizieren19. Exozytose ist der Mechanismus, durch den Vesikel mit Viruspartikeln sezerniert und aus der infizierten Zelle freigesetzt werden, wodurch die neu gebildeten Viren in den Wirtskörper eindringen und weitere gesunde Zellen infizieren können. Postakute Folgeerkrankungen von SARS-CoV-2 (PASC) gelten als Syndrom, das in erster Linie die Lunge betrifft, obwohl es mehrere Organe betreffen kann, was zu Organschäden oder sogar Organversagen führen kann20. Solche Komplikationen können zum Tod oder zu langfristigen Gesundheitsproblemen führen. Zum Beispiel kann das Herz ein erhöhtes Risiko für Herzinsuffizienz oder andere Komplikationen entwickeln; Die Lunge kann nach einer Lungenentzündung langfristige Atembeschwerden erleiden; Das Gehirn kann von Schlaganfällen, Krampfanfällen oder dem Guillain-Barré-Syndrom betroffen sein. Und die Nieren können Schäden erleiden, die zu einem septischen Schock führen können. Leberschäden können aufgrund eines Enzymungleichgewichts auftreten, während die Rhabdomyolyse zum Abbau von Muskelgewebe führt und Myoglobin in den Blutkreislauf freisetzt, was tödlich sein kann, wenn die Nieren es nicht schnell filtern können. Zu den weiteren Komplikationen gehören die Bildung abnormaler Blutgerinnsel, die innere Blutungen und Organversagen verursachen, Sekundärinfektionen durch Bakterien wie Streptokokken oder Staphylokokken, disseminierte intravaskuläre Gerinnung aufgrund dysfunktionaler Gerinnungsreaktionen und chronische Müdigkeit, oft begleitet von Gehirnnebel, starker Müdigkeit, Schwindel oder Denkstörungen. Basierend auf diesen Herausforderungen werden die folgenden Hypothesen aufgestellt: H1: Die Verwendung eines Transfer-Learning-Algorithmus kann die Vorhersagegenauigkeit und Übertragbarkeit von Modellen erheblich verbessern, indem epidemiologische Daten zur Identifizierung regionsspezifischer PASC angewendet werden. H1a: Deep-Learning-Modelle, die mit epidemiologischen Daten fein abgestimmt sind, schneiden besser ab als andere Modelle. H1b: Die Kombination regionsspezifischer PASC-Determinanten mit Transfer-Learning-Modellen verbessert die Genauigkeit und Effizienz von Klassifikation und Clustering. H1c: Diese Kombination kann auch bisher unbekannte oder übersehene regionsspezifische Muster aufdecken. H1d: Transfer Learning ermöglicht eine verkürzte Trainingszeit und eine schnellere Konvergenz im Vergleich zu anderen Modellen.

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

Protocol

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

Diese Studie wurde in Übereinstimmung mit ethischen Richtlinien für die Forschung mit menschlichen Daten durchgeführt. Alle Patientendaten, die in dieser Studie verwendet wurden, wurden vor dem Zugriff und der Analyse vollständig anonymisiert. Es wurden keine personenbezogenen Daten verwendet. Das Forschungsprotokoll wurde vom Institutional Review Board (IRB) in Übereinstimmung mit der Deklaration von Helsinki geprüft und genehmigt. Gegebenenfalls wurden Datenzugriffsberechtigungen von den zuständigen Behörden oder Datenrepositorien eingeholt. Da es sich bei dieser Studie um eine Sekundäranalyse anonymisierter Daten handelt, verzichtete das IRB auf die Einwilligungserklärung. Das vorgeschlagene latente Transfermodell ist eine auf maschinellem Lernen basierende, semi-überwachte Lerntechnik, die darauf ausgelegt ist, die verborgenen Muster zu finden und sie vom Quelldatensatz auf den Zieldatensatz zu übertragen, um sicherzustellen, dass sie für die Analyse epidemiologischer Probleme von PASC16 sehr geeignet ist. Post-COVID-Erkrankungen manifestieren sich oft mit unterschiedlichen Symptomen in verschiedenen Bevölkerungsgruppen, was zu widersprüchlichen und spärlichen Daten führt. Die vorgeschlagene Arbeit befasst sich mit dem Problem der spärlichen Datenlage aufgrund unterschiedlicher Symptome in verschiedenen Regionen, indem sie verbesserte latente Repräsentationen lernen, um verborgene Gesundheitsmuster aus den Datensätzen darzustellen, und indem sie als neu entstehende Datensätze dargestellt werden. Um diese Konvertierung durchzuführen, verwenden diese latenten Übertragungstechniken automatische oder variationelle Encoder, um sowohl Quell- als auch Zieldaten in einem gemeinsamen latenten Raum darzustellen. Und dieser gemeinsame Raum schützt die gewonnenen verborgenen Muster, da Häufungen von Post-COVID-Symptomen in verschiedenen Regionen gut erhalten sind21. Der Prototyp kann durch eine verbesserte Generalisierung mit Domänenanpassung weiter vorangetrieben werden. Mit diesem Ansatz kann das Modell helfen, gefährdete Cluster zu erkennen und vorherzusagen und die Überwachung der öffentlichen Gesundheit in abgelegenen Gebieten zu unterstützen. Diese Arbeit verbessert auch das Lernen, indem sie die Abhängigkeit von vollständig beschrifteten Daten verringert. Damit wird der vorgeschlagene Ansatz aufgrund seines verallgemeinerten Ansatzes für verschiedene Populationen zu einem leistungsfähigen Instrument zur Analyse der Lücken.

1. Datenquellen und Erhebung

In dieser Studie wurden öffentlich zugängliche Kaggle-Datensätze verwendet (Cardiovascular Disease Dataset, Cancer Prediction Dataset, Early-Stage Diabetics Prediction Dataset und Mental Health Prediction Dataset). Daher ist eine IRB-Genehmigung in dieser Einreichung nicht erforderlich.

Bei Datensätzen, die Bilddaten enthalten, wurde die Vorverarbeitung mit Python mit TensorFlow- und OpenCV-Bibliotheken durchgeführt. Zu den Vorverarbeitungsschritten gehörten die Größenänderung von Bildern (z. B. 224 × 224 Pixel), Graustufen- oder RGB-Konvertierung, die Normalisierung von Pixelwerten auf den Bereich [0, 1] und Datenerweiterungstechniken (Drehen, Spiegeln, Zoomen), um die Modellgeneralisierung zu verbessern und Überanpassung zu reduzieren. Die Bild-Arrays wurden dann für die weitere Verarbeitung und Modelleingabe in NumPy-Arrays umgewandelt.

Für die Merkmalsauswahl wurde die rekursive Merkmalseliminierung (RFE) mit der RFE-Klasse von Scikit-learn implementiert, in der Regel in Verbindung mit einem Logistic Regression oder Random Forest Estimator. Die Anzahl der ausgewählten Features variierte je nach Datensatz, aber eine gängige Konfiguration bestand darin, die Dimensionalität auf die 10 bis 15 einflussreichsten Features basierend auf rekursiver Bewertung zu reduzieren. Diese Methode verbesserte die Klassifikationsgenauigkeit und reduzierte gleichzeitig die Rechenkomplexität und die Überanpassung des Modells.

Diese Studie verwendete vier öffentlich zugängliche Datensätze von Kaggle. Der Datensatz zur Vorhersage von Herz-Kreislauf-Erkrankungen, der Datensatz zur Vorhersage von Brustkrebs, der Datensatz zur Vorhersage von Diabetes im Frühstadium und der Datensatz zur Vorhersage der psychischen Gesundheit. Diese Datensätze wurden direkt von Kaggle heruntergeladen und bestehen aus strukturierten tabellarischen Daten, die klinische und umfragebasierte Attribute enthalten. Die Datenvorverarbeitung wurde mit Python mit Schlüsselbibliotheken wie Pandas für die Datenmanipulation, NumPy für numerische Operationen und Scikit-learn für die Datenvorverarbeitung, Merkmalsauswahl und Modellierung durchgeführt. Fehlende Werte wurden mit Mittelwert- oder Modusstrategien imputiert, kategoriale Variablen wurden mit One-Hot- oder Label-Codierung kodiert, und numerische Merkmale wurden entweder mit StandardScaler oder MinMaxScaler skaliert. Für unausgeglichene Klassen wurde SMOTE (Synthetic Minority Oversampling Technique) aus dem imblearn-Paket angewendet. Die rekursive Merkmalseliminierung (RFE) wurde mit dem RFE-Modul von Scikit-learn mit Schätzern wie Logistic Regression und Random Forest implementiert, und die Anzahl der Merkmale wurde in der Regel auf die Top 10-15 der einflussreichsten Merkmale reduziert, basierend auf Modellleistungsmetriken wie ROC-AUC und Genauigkeit.

2. Modell-Architektur

Diese Forschung schlägt eine Variante des neuronalen Netzwerkalgorithmus vor, die als latentes Transfermodell bezeichnet wird, um Eingabebilder aus der COVID-19-Bilddatenbank zu trainieren. Diese Arbeit ist effektiv bei der Überwindung des Problems des verschwindenden Gradienten beim Aufbau eines tiefen neuronalen Netzwerks. Obwohl verschiedene neuronale Netzvarianten mit unterschiedlichen Schichtkonfigurationen verfügbar sind, konzentriert sich diese Arbeit hauptsächlich auf die Implementierung von Restlerntechniken während des Trainingsprozesses von tiefen neuronalen Netzen. Das vorgeschlagene latente Transfermodell verwendet einen verbesserten Algorithmus von ResNet-50 mit einem 7 x 7 Convolutional Layer Framework sowie abgeflachte und dichte Schichtnetzwerke. Diese Schichten werden bei der Bildtransformation und der Mehrklassenklassifikation von PASC-Patienten in Regionen verwendet, um Muster zu extrahieren22. Diese Arbeit betrachtet Eingabebilder mit einer Größe von 256 x 256 x 3 unter Verwendung effizienter Hyperparameter, Lernverhalten, Optimierungsverfahren und Batch-Volumina. Das vorgeschlagene latente Transfermodell berücksichtigt einen Datensatz von 12.946 Bildern, um Patienten mit einem aktiven Risiko für Herz-Kreislauf-Probleme, Krebs, chronische Atemwegserkrankungen, Diabetes und psychische Probleme zu klassifizieren. Details zum Datensatz und Hyperparameter sind in Tabelle 2 bzw. Tabelle 3 aufgeführt.

Um die Reproduzierbarkeit zu gewährleisten, wurden alle Schritte der Modellimplementierung, Vorverarbeitung und Evaluierung in einer kontrollierten Umgebung mit Python innerhalb von Jupyter Notebook auf einem System durchgeführt, auf dem Windows 11 ausgeführt wurde, das mit einem Intel Core i7-Prozessor (11. Generation), 16 GB RAM und einer NVIDIA GeForce RTX 3060-GPU (für jede beschleunigte Verarbeitung, obwohl die GPU für diese Datensätze nicht unbedingt erforderlich war) ausgestattet war. Zu den verwendeten Softwarebibliotheken gehören Pandas 1.5.3, NumPy 1.24, Scikit-learn 1.3.0, Imbalanced-learn 0.11.0 für SMOTE, Matplotlib 3.7.1 und Seaborn 0.12.2 für die Visualisierung. Die Vorverarbeitung umfasste die Behandlung fehlender Werte über die Mittelwert-/Modusimputation, die Codierung kategorialer Variablen mit One-Hot- oder Label-Codierung und die Merkmalsskalierung mit StandardScaler. Bei der Modellentwicklung wurden Klassifikatoren wie Logistic Regression, Random Forest und Support Vector Machines mit rekursiver Merkmalseliminierung (RFE) zur Reduzierung der Dimensionalität verwendet. Die Modelle wurden mit einer 5-fachen Kreuzvalidierung bewertet, und die Leistung wurde anhand von Metriken wie Genauigkeit, Präzision, Abruf und ROC-AUC-Score gemessen, um eine konsistente und reproduzierbare Pipeline zu gewährleisten.

3. Vorverarbeitung und Feature-Engineering

Um statistisch signifikante Merkmale aus diesen Datensätzen abzurufen, werden eine Vorverarbeitungstechnik namens "Feature Selection using Recursive Feature Elimination (RFE)" und eine Modellierungspipeline mit dem Namen "Transfer Learning with Multi-Layer Perceptron (MLP)" verwendet.

4. Schulung und Validierung

Ein organisierter Trainings- und Validierungsansatz wurde verwendet, um den vorgeschlagenen Ansatz für die PASC-Symptomanalyse und -vorhersage zu bewerten. Zunächst wurde eine hierarchische Trainings-Test-Aufteilung angewendet, um das kumulative System der Klassenbezeichnungen mit einem Verhältnis von 80:20 zwischen den Trainings- und Testdaten zu erhalten. Gefolgt von einer k-fachen Kreuzvalidierung mit k = 5 wurde eine Implementierung der Trainingsdaten durchgeführt, um die Robustheit des Modells über verschiedene Splits der Daten hinweg zu bewerten. Es wurde ein MLP-Klassifikator mit zwei versteckten Schichten (64 und 32 Neuronen) und 300 Iterationen angewendet. Weitere Merkmalsrepräsentations- und Transfer-Lerntechniken wurden implementiert.

5. Bewertungsmetriken

Genauigkeit, F-Maß, G-Mittelwert, MAPE, Sensitivität und Spezifität wurden anhand der Testdaten berechnet, um die Leistung des vorgeschlagenen Modells zu vergleichen. Die Ergebnisse veranschaulichen die Verbesserung der Bewertungsmetriken, der Genauigkeit, des F-Maßes, des G-Mittelwerts, des MAPE, der Sensitivität und der Spezifität der Testdaten, um die Leistung des vorgeschlagenen Modells mit anderen hochmodernen Modellen zu vergleichen, nämlich VGG-16 CNN, VGG-19 CNN, DenseNet-121 CNN, InceptionV3 CNN, ResNet-101 CNN, MobileNetV2 CNN und dem vorgeschlagenen Latent Transfer-Modell. Der obige Datensatz enthält Trainings-, Validierungs- und Testproben von Daten zu Herz-Kreislauf-, Krebs-, chronischen Atemwegs-, Diabetes- und psychischen Erkrankungen.

Alle Experimente wurden in einer Windows 11-Umgebung mit Python 3.10 auf einem System mit einem Intel Core i7-Prozessor, 16 GB RAM und einer NVIDIA RTX 3060-GPU durchgeführt. Öffentlich zugängliche Kaggle-Datensätze wurden mit Pandas, NumPy und Scikit-learn für die Imputation fehlender Werte, die Kodierung, die Skalierung und die Merkmalsauswahl über Recursive Feature Elimination (RFE) vorverarbeitet. Modelle wie Logistic Regression, Random Forest und SVM wurden mithilfe einer 5-fachen Kreuzvalidierung mit Metriken wie Genauigkeit, Präzision, Abruf und ROC-AUC trainiert und bewertet, um Reproduzierbarkeit und Leistungskonsistenz zu gewährleisten.

Die obige Tabelle zeigt die Details der Hyperparameter und die Technik oder den Algorithmus, der sie verwendet. Für den Adam-Optimierungsalgorithmus werden die Lernrate, die Early-Stop-Technik, die Batch-Größe, die Epochengröße, Callbacks, die Verlustfunktion und Metriken zur Messung der Effizienz angegeben.

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

Results

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

Das vorgeschlagene Modell wird mit bestehenden Übertragungsmodellen verglichen, einschließlich VGG-16 CNN, VGG-19 CNN, DenseNet-121 CNN, InceptionV3 CNN, ResNet-101 CNN und MobileNetV2 CNN. Die Parameterdetails und Ergebnisse des Vergleichs sind in Tabelle 4, Tabelle 5 bzw. Abbildung 2 dargestellt. Die Ergebnisse verdeutlichen die Verbesserung der Bewertungsmetriken durch die Verwendung des vorgeschlagenen Modells gegenüber den anderen Modellen, nämlich VGG-...

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

Discussion

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

Der Vorschlag konzentriert sich auf den Aufbau eines latenten Transferlernmodells, um die Auswirkungen des PASC zu bewältigen. Diese Struktur führt zu schweren körperlichen und psychischen Gesundheitsproblemen, insbesondere bei Menschen mittleren Alters und älteren Menschen sowie bei Menschen, die an chronischen Vorerkrankungen wie Herz-Kreislauf-Erkrankungen, Krebs, Atemwegserkrankungen und Diabetes leiden. Das letztendliche Ziel ist es, verschiedene Patientendaten aus verschiedenen Pop...

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

Disclosures

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

Die Autoren erklären, dass es keine Interessenkonflikte bezüglich der Veröffentlichung dieses Beitrags gibt.

Materials

List of materials used in this article
NameCompanyCatalog NumberComments
Cloud-Computing-Umgebung (z. B. Google Colab / AWS EC2)Google / AmazonN/AWird zum Trainieren von Deep-Learning-Modellen mit GPU-Beschleunigung verwendet
Epidemiologischer Datensatz (Postakute Folgen von SARS-CoV-2, regionenspezifisch)Datenspeicher für die öffentliche Gesundheit (z. B. WHO, CDC, ICMR, regionale Krankenhäuser)N/ADatensatz für Transfer-Learning-Experimente
Jupyter NotebookProjekt JupyterOpen-SourceInteraktive Umgebung für Codierung und Dokumentation
KerasOpen-SourceIntegriert mit TensorFlowHigh-Level-API zum Erstellen und Trainieren von Deep-Learning-Modellen
Matplotlib / SeabornOpen-SourceN/AVisualisierungsbibliotheken, die für Grafiken und epidemiologische Trendanalysen verwendet werden
NumPyOpen-SourceN/ABibliothek für numerische Berechnungen
PandasOpen-SourceN/ABibliothek für Datenmanipulation und -analyse
Vortrainierte CNN/Transformer-Modelle (z. B. EfficientNet, BERT-basierte Modelle)TensorFlow Hub / HuggingFaceModellspezifischWird für Transfer-Learning und Feinabstimmung für epidemiologische Vorhersagen verwendet
Python (v3.8 oder höher)Python-Software-StiftungOpen-SourceProgrammiersprache für die Datenvorverarbeitung, das Modelltraining und die Auswertung
Scikit-lernenOpen-SourceN/AMachine Learning-Bibliothek für Vorverarbeitung, Auswertungsmetriken und Baseline-Modelle
TensorFlow (v2.x)GoogelnOpen-SourceDeep-Learning-Framework, das für Transfer Learning und Modellbereitstellung verwendet wird

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