Research Article

SARS-COV-2'nin Bölgeye Özgü Akut Sonrası Sekellerinin Epidemiyolojik Çalışması için Transfer Öğrenme Yaklaşımının Kullanılması

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

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

Önerilen çalışma, uzun vadeli sağlık sonuçlarının daha iyi anlaşılmasını sağlamak ve özel epidemiyolojik içgörüleri desteklemek için yeni bir transfer öğrenme tekniği tasarlamayı ve uygulamayı amaçlamaktadır.

Abstract

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

SARS-CoV-2'nin (PASC) Akut Sonrası Sekelleri, özellikle orta yaşlı ve yaşlı yetişkinler ile kardiyovasküler hastalıklar, kanserler, solunum yolu hastalıkları ve diyabet gibi kronik sağlık sorunları olanlar için ciddi sonuçları olan aşırı riskli bir ortam oluşturmaktadır. Fiziksel bozukluklar arasında şiddetli ve kalıcı vücut ağrıları, yorgunluk ve vücut hareketlerinde zorluk yer alır. Benzer şekilde, depresyon, ruh hali değişimleri, umutsuzluk duyguları ve konsantrasyon güçlüğü gibi duygudurum bozuklukları da PASC'nin önemli belirleyicileridir. Ağırlıklı olarak orta yaşlı ve yaşlı bireyler, sık sık hastaneye yatışlar, tıbbi açıdan dengesiz koşullar ve bazı durumlarda beklenmedik ölümler dahil olmak üzere artan fiziksel ve zihinsel sonuçlarla karşı karşıyadır. PASC'nin zamanında tanımlanması, ilişkili sağlık sorunlarının ciddiyetini azaltmak için çok önemlidir. Bu araştırma, farklı bölgelerden hasta verilerini entegre etmek, verilere ilişkin içgörüler elde etmek ve kişiselleştirilmiş sağlık hizmetleri çözümleri sunmak için gizli bir aktarım modeli önermektedir. Bu çalışma, halk sağlığı sonuçlarını iyileştirmek için veri basitleştirme, genelleme, kişiselleştirme, içgörü tespiti, değişkenlik, ölçeklenebilirlik ve uyarlanabilirliği geliştirmek için gizli transfer öğrenme modelinin potansiyelini ortaya koymaktadır.

Introduction

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

2019 Koronavirüs Hastalığı (COVID-19) ilk olarak Çin'in Wuhan kentinde tanımlandı. 31Aralık 2019'da Çin, Dünya Sağlık Örgütü'ne (WHO) Çin'in Hubei eyaletinin Wuhan şehrinde fark edilen etiyolojisi bilinmeyen akciğer iltihabı hastalıkları hakkında rapor verdi1. 31Aralık 2019'dan3 Ocak 2020'ye kadar 44 kişiye bu virüs bulaştı ve toptan satış pazarı olan "Huanan Deniz Ürünleri" ile temas öyküsü vardı. Başlangıçta hastalara ateş, yorgunluk ve kuru öksürük görüldü. Bu virüsün salgını 30Ocak 2020'de meydana geldi ve DSÖ tarafından Uluslararası Önem Arz Eden Halk Sağlığı Acil Durumu olarak ilan edildi1. Şubat 2020'nin ortalarına kadar, Çin ve diğer ülkelerde sırasıyla 70.635 ve 794 vaka ile 25'ten fazla ülke yeni koronavirüsten etkilendi. Çin'de bin yedi yüz yetmiş iki ölüm (1772) ve tüm ülkelerde üç ölüm resmen ilan edildi. 31Aralık 2019'da bir grup zatürre enfeksiyonu vakası bildirildi ve DSÖ, Wuhan'da herhangi bir ölüm bildirilmediğini bildirdi. Tayland'da ilk vaka, Wuhan Şehrini ziyaret ettikten sonra8 Ocak 2020'de Wuhan Şehrinden dönen 61 yaşındaki Çinli bir kadın için 13Ocak 2020'de Bangkok'ta açıklandı. Boğaz ağrısı, öksürük, ateş, titreme ve baş ağrısı ile semptomatikti. Kişi,8 Ocak 2020'de termal gözetimde COVID-19 pozitif test edildi ve o gün Taylandlı memurlar tarafından hastaneye kaldırıldı. Kişi hastalıktan kurtuldu. Virüsün genetik dizileme yapısı Çin hükümeti tarafından paylaşıldı ve daha fazla ülkenin hastaları verimli bir şekilde muayene etmesine ve teşhis etmesine olanak sağladı2.

Amerika Birleşik Devletleri'nde ilk vaka 19Ocak 2020'de Washington'da, aile toplantısının ardından 15Ocak 2020'de Wuhan Şehrinden dönen 35 yaşındaki bir erkek için bildirildi. 15Ocak 2020'den itibaren öksürük ve ateş semptomatikti ve tıbbi testlerden geçmesi önerildi. COVID-19 bulaşmış bir kişiyle teması olmadı, ancak Wuhan ziyareti sırasında Çin'deki salgın nedeniyle COVID-19 ile enfekte oldu. 20Ocak 2020'de COVID testi pozitif çıktı ve bir tıp merkezinin havadan izolasyon ünitesinde karantinaya alındı. İzolasyon koğuşuna kabul edildikten sonra 110/dk nabız hızı, 134/87 mmHg kan basıncı, 37.2 °C vücut ısısı, 16 bpm solunum hızı ve normal akciğer oskültasyonu ile %96 oksijen satürasyonu normaldi. Düzenli COVID izleme ve araştırma testleri yapıldı ve iki gün boyunca öksürük, bulantı ve kusma şikayeti görüldü3. Başvurunun ikinci gününde karın rahatsızlığından şikayet etti ve ertesi gün akciğer grafisinde herhangi bir anormallik bulgusu yoktu. Ancak beşinci günde akciğer grafisinde belirgin pnömoni bulguları görüldü ve oksijen satürasyonu %90'a düştü. Doygunluk seviyelerini iyileştirmek için desteklenen oksijen tedavisi görmesi önerildi. 8. günde durumu düzeldi ve klinikten taburcu edildi. Hindistan'da ilk vaka 27Ocak 2020'de Kerala'da, Çin'deki COVID-19 salgını nedeniyle Wuhan Şehrinden dönen 20 yaşındaki bir kadın için bildirildi. 23Ocak 2020'den 26Ocak 2020'ye kadar asemptomatikti ve 27Ocak 2020'den itibaren boğaz ağrısı ve hafif öksürüğe tanık oldu. COVID-19 bulaşmış kişilerle teması yoktu, ancak Wuhan'dan Kunming'e yaptığı tren yolculuğu sırasında solunum problemleri, soğuk algınlığı ve öksürüğü olan birkaç kişi fark etti. Bu nedenle, Kerala hükümet yetkilileri ona izole bir yerde kalması ve önümüzdeki günlerde herhangi bir COVID semptomu geliştirmesi için tıbbi bir tesisi ziyaret etmesi talimatını verdi. Genel hastaneye kabul edildikten sonra, normal akciğer oskültasyonu ile 82/dk nabız hızı, 130/80 mmHg kan basıncı, 98.5 °F vücut ısısı ve %96 oksijen satürasyonu ile normaldi. Hastalık gününden itibaren 3., 7. ve 20. günlerde düzenli COVID izleme ve araştırma testleri yapıldı. Orofaringeal sürüntü testleri hastalık gününden itibaren 23 gün boyunca ilk gün ve gün aşırı yapıldı ve 17. günden itibaren negatif çıktı. Tüm testlerden sonra aklandı ve 20Şubat 2020'de hastaneden taburcu edildi4.

Birleşik Krallık'ta ilk COVID-19 vakası, ziyaretinden sonra Wuhan şehrinden dönen 50 yaşındaki bir kadın tarafından 23Ocak 2020'de bildirildi. Başlangıçta asemptomatikti ve 26Ocak 2020'de ateş, halsizlik, boğaz ağrısı ve kuru öksürük semptomları geliştirdi. Genel hastaneye yatırıldıktan sonra 18/dk solunum hızı, 120/80 mmHg kan basıncı, 37.6 °C vücut ısısı ve %97 oksijen satürasyonu ile normaldi. Düzenli COVID izleme ve araştırma testleri yapıldı ve hastanın durumu klinik olarak stabil. İlk muayeneler hafif lenfopeni ve C-reaktif proteinde artış olduğunu bildirdi. Hastaneye kabulünün 3. gününden sonra tüm semptomlarından kurtuldu ve hastanedeki ikinci günden itibaren Orofaringeal sürüntü testlerinde COVID negatif çıktı. 2 hafta boyunca izole edildi ve burun ve boğaz sürüntü testlerinegatif çıktı 5.

Koronavirüsler (CoV'ler) 1960'larda keşfedildi ve aşağıdaki gibi sınıflandırıldılar. Orthornavirae, ribonükleik asitten (RNA) yapılmış genomlar içeren ve RNA'ya bağımlı bir RNA polimeraz (RdRp) ile çevrilen çeşitli virüslerin krallığı/alemi olarak adlandırılır. RdRp, viral RNA genomunu haberci RNA'ya (mRNA) kopyalar ve Genomu kopyalar. Orthornavirae'de bulunan virüslerin özellikleri arasında evrim, genetik mutasyonlar, rekombinasyon ve yeniden sınıflandırmayer alır 6. RNA'dan yapılan genomlar, pozitif sarmallı RNA virüsleri, negatif sarmallı RNA virüsleri (-ssRNA virüsleri) ve çift sarmallı RNA virüsleri (dsRNA virüsleri) olmak üzere üç tiptedir. Pozitif sarmallı RNA virüsleri (+ssRNA virüsleri), pozitif anlamlı, tek sarmallı RNA'ya sahip ilişkili virüslerin bir koleksiyonudur. +ssRNA virüsünün Genomu, kurye RNA (mRNA) olarak kullanılabilir ve konakçı hücrelerin ribozomları tarafından doğrudan virüsle ilgili proteinlere dönüştürülür. +ssRNA virüsleri, Pisuviricota, Kitrinoviricota ve Lenarviricota gibi filumlarla ilişkilidir. Pozitif sarmallı RNA virüsleri, Hepacivirus C, Dang humması, Ebola, Kızamık, Kuduz, Grip, Şiddetli akut solunum sendromu CoV, Orta Doğu solunum sendromu koronavirüs CoV ve Şiddetli akut solunum sendromu CoV7 gibi çeşitli patojenler içerir. Negatif sarmallı RNA virüsleri (-ssRNA virüsleri), negatif anlamlı, tek sarmallı RNA'ya sahip ilişkili virüslerin bir koleksiyonudur. -ssRNA virüsünün Genomu, kurye RNA (mRNA) olarak görülebilir ve RNA'ya bağımlı RNA polimeraz (RdRp) adlı bir enzim tarafından üretilir. -ssRNA virüsleri, Negarnaviricota filumunu oluşturur. Negatif sarmallı RNA virüsleri, filumda Haploviricotina ve Polyploviricotina olmak üzere iki ana dal içerir. Önemli omurgalı-ssRNA virüsleri Ebola, Hanta, Grip, Lassa ateşi ve Kuduz'dur. Çift sarmallı RNA virüsleri (dsRNA virüsleri), çift sarmallı RNA genomlarına sahip polifiletik virüslerin bir koleksiyonudur. dsRNA Genomu, viral RNA'ya bağımlı RNA polimeraz (RdRp) tarafından bir +ssRNA'yı kopyalar. +ssRNA virüsünün Genomu, kurye RNA (mRNA) olarak kullanılabilir ve konakçı hücrelerin ribozomları tarafından açıkça virüsle ilgili proteinlere dönüştürülür. Oysa -ssRNA virüsünün Genomu, kurye RNA (mRNA) olarak hizmet edebilir ve RNA'ya bağımlı bir RNA polimeraz (RdRp) enzimi tarafından üretilebilir. dsRNA virüsleri, Duplornaviricota ve Pisuviricota filumları ile ilişkilidir. Çift sarmallı RNA virüsleri arasında rotavirüsler (küçük çocukları etkileyen) ve mavi dil virüsü (sığır ve koyunları etkileyen) bulunur8.

Pisuviricota, tüm + ssRNA virüslerini ve dsRNA'yı içeren bir RNA virüsleri filumu olarak adlandırılır. Alt sınıflandırması, Duplopiviricetes, Pisoniviricetes ve Stelpaviricetes olmak üzere üç sınıf içerir. Pisoniviricetes, ökaryotları enfekte eden ve kontamine eden bir +ssRNA virüsleri sınıfıdır. Alt sınıflandırması, Nidovirales, Picornavirales ve Sobelivirales olmak üzere üç alt sınıf içerir. Nidovirales, omurgalıları ve omurgasızları enfekte eden ve kontamine eden zarflı, +ssRNA takımıdır9. Bu, Abnidovirineae, Cornidovirineae, Nanidovirinae, Arnidovirineae, Mesnidovirineae ve Tornidovirineae olmak üzere bir virüs alt takımı içerir. Nidovirales altında Abyssoviridae, Coronaviridae, Nanghoshaviridae, Nanhypoviridae, Arteriviridae, Medioniviridae, Cremegaviridae, Mesoniviridae, Euroniviridae, Gresnaviridae, Roniviridae, Tobaniviridae, Mononiviridae ve Olifoviridae8 gibi çeşitli familyalar tanınmaktadır. Coronaviridae, memelileri, amfibileri ve kuşları enfekte eden zarflı, +ssRNA virüslerinin bir ailesidir. Alt sınıflandırması, Letovirinae ve Orthocoronavirinae olmak üzere iki alt aile içerir. Orthocoronavirinae üyeleri koronavirüs olarak tanımlanır. Coronavirüsler, memelilerde ve kuşlarda enfeksiyonlara neden olan RNA virüsleriyle ilişkili olan Coronaviridae'nin bir alt ailesidir. Memelilerde ve kuşlarda bu virüsler, üst solunum yolu sürüntü enfeksiyonları ve alt solunum yolu sürüntü enfeksiyonları gibi hafif ila şiddetli solunum yolu sürüntü enfeksiyonlarına neden olur10. Bu virüsler insanlarda ve bazı memelilerde SARS, MERS ve COVID-19'a, domuzlarda ve ishale, hepatite ve ensefalomiyelite neden olur. Koronavirüsler, Orthornavirae Krallığı, Pisuviricota Filumu, Pisoniviricetes Sınıfı, Nidovirales Alt Sınıfı, Coronaviridae Ailesi ve Orthocoronavirinae Alt Ailesine ait zarflı +ssRNA'dır. Koronavirüsler, Alfa koronavirüs, Beta koronavirüs, Gama koronavirüs ve Delta koronavirüs11 olmak üzere dört cinse ayrılır. Bu araştırmaya dayanarak, aşağıdaki hipotezler oluşturulmuştur.

Şiddetli Akut Solunum Sendromu Koronavirüs-2 (SARS-CoV-2) spike mutasyonu aşırı derecede glikosile edilmiştir. Bu spike mutasyonlarının biyolojik sonuçlarını incelemek kritik öneme sahiptir. Spike protein dizisinde aynı pozisyonda birden fazla mutasyon ortaya çıkabilir. Spike protein dizileri, dünya çapında tespit edilen geniş mutasyon spektrumunu tahmin etme şansı sağladı ve bunlar Tablo 1'de temsil ediliyor. Dikkate alınan mutasyonlar, virüsün insandan insana bulaşmasının bir sonucuydu. Aşılama, SARS-CoV-2'yi güçlü bir şekilde nötralize edebilen bağışıklık reaksiyonlarına yol açtı12. Bilimsel araştırmalar, sivri uçtaki mutasyonları gizleyen SARS-CoV-2 varyantlarının ortaya çıkışını keşfetse de, temel amaç konakçı antikorlarının nötralizasyonu olarak kaldı. Aşılamanın ardından bazı SARS-CoV-2 varyantlarının nötralizasyonunun azaldığına dair gelişen bir gösterge vardı. Aşı üreticileri, aşı yapılarının potansiyel bir güncellemesi için çeşitli platformlar formüle etti ve mutasyonların fenotipik etkilerini aydınlatmak için deneylerle küresel virüs popülasyonundaki genetik ve antijenik varyasyonların araştırmaları yapıldı13.

Ulusal Biyoteknoloji Bilgi Merkezi (NCBI) virüs veritabanı, Afrika, Asya, Avrupa, Kuzey Amerika, Güney Amerika ve Okyanusya'dan 10333 insan SARS-CoV-2 spike proteini içerir. Farklı coğrafi konumlardan incelenen spike proteinlerindeki çeşitli mutasyonların yayılımı yukarıdaki tabloda gösterilmektedir. Alfa, Beta, Gama ve Delta koronavirüsünün cinsleri, özellikleri ve açıklamaları ile detayları yukarıdaki tabloda verilmiştir. Her Cins, temel, varyantlar, önem, şekil, ölçüm, yapı, membran füzyonu, salınım, kontaminasyon ve sentez14 gibi özellikleriyle tanımlanır.

Tablo 1'de belirtildiği gibi, HCoV-229E, HCoV-OC43, HCoV-NL63 ve HCoV-HKU1 gibi virüs suşları hafif ila orta şiddette hastalık semptomları gözlemlerken, SARS-CoV, MERS-CoV ve SARS-CoV-2 insanlarda ciddi kritik hastalık semptomları gözlemledi. Virüs mikroorganizmaları vücuttan geçerek konak hücreyi enfekte eder. Koronavirüs kategorisine bağlı olarak, konakçı vücudun farklı bölümlerindeki hücreleri enfekte eder. Güçlü ve sağlıklı hücreye bağlanır bağlanmaz içine girer15. Virüs, konakçı hücrenin içine yerleştikten sonra dağınıklığı çözecek ve DNA ve RNA'sı dışarı çıkacak ve çekirdeğe doğru ilerleyecektir. Bir parça halinde hareket edecekler ve bu da virüsün çeşitli üremelerine neden olacak. Bu kopyalar, DNA ve RNA'larını koruyan proteini bir araya getirmek ve almak için çekirdekten çıkacaktır. Virüsün bu yeni çıkmış üremeleri, daha önce enfekte olmuş ve hastalıklı hücreleri boşaltarak diğer sağlıklı konakçı hücreleri tekrar kirletecek ve çoğalacaktır. Konağın bağışıklık sistemi koronavirüsle savaşmayı başarırsa, birey hastalanmayacaktır; Aksi takdirde sağlıksız komplikasyonlar ortaya çıkabilir. Bağışıklık sistemi koronavirüsü kontrol edemezse, patogenez ile sonuçlanır. Bununla virüs vücuda girer ve farklı organları enfekte eder. Belirti veya semptomların ne kadar şiddetli olduğuna bağlı olarak, kişi dinlenmeye veya tıbbi yardım almaya gidecektir16. Yaşam döngüsü ve çeşitli koronavirüs türleri Şekil 1'de gösterilmektedir.

Yukarıdaki şekil, koronavirüsün yaşam döngüsünü ve aşamalarını ayrıntılı bir şekilde göstermektedir. (1) bağlanma ve kabul, (2) füzyon ve endositoz, (3) proteoliz, (4) translasyon ve bölünme, (5) replikasyon, (6) ekzositoz ve (7) olgunlaşmış virüs salınımı olmak üzere yedi aşama vardır. Bağlanma ve kabul aşamasında, Koronavirüs mikroorganizmaları konakçıya kabul edilir ve amaç, konakçıya dirençli keşif ve müdahale stratejileridir. Konakçı hücrelere girmek için, bu virüsler önce bağlanmak için bir hücrenin yüzey reseptörüne bağlanır, ardından endozomlara girer ve sonunda füzyona başlar. Daha sonra koronavirüs, virüsle ilgili ve lizozomal kılıflarla konakçı hücreye kaynaşır. Bir virüs yüzeyine sabitlenmiş spike proteini, bu virüslerin girişine müdahale eder. Endositoz, bir maddenin konakçı hücreye17 taşındığı hücresel bir süreçtir. Benimsenecek materyal, bir dizi hücre kılıfı ile çevrelenir ve daha sonra yutulan maddeyi çevreleyen bir vezikül oluşturmak için konakçı hücrenin içinde fırlar. Endositoz, pinositoz ve fagositozu içerir; Birincisi hücre içme, ikincisi ise hücre yemedir. Proteoliz, virüsle ilgili proteinlerin minör polipeptitler/amino asitler halinde maddeleştirilmesidir. Yapılandırılmış mRNA dönüşümü, gen iletişimini dizginleyen ve protein bolluğunu derhal ayıran transkripsiyon sonrası bir süreçtir. Hücre büyümesi, hücre ilerlemesi, sinaptik plastisite, stres imbikleri ve üretken viral gelişim gibi çok sayıda biyolojik prosedürde ana role sahiptir18. Viral çeviri prosedürü, kışkırtma, uzama ve çözünme olmak üzere üç aşamaya ayrılabilir.

Viral replikasyon, enfekte olmuş konakçı hücrelerin kontaminasyonu yoluyla genetik virüslerin üretilmesi sürecidir. Viral üremenin gerçekleşmesi için virüslerin önce konakçı hücreye girmesi gerekir. Virüsler, viral genomlarını tekrar tekrar kopyalayarak ve bu kopyaları kapsülleyerek hayatta kalır ve yeni konakçı hücreleri enfekte ederek yayılmaya devam eder19. Ekzositoz, viral partiküller içeren veziküllerin enfekte olmuş hücreden salgılandığı ve salındığı, yeni oluşan virüslerin konakçı vücuda girmesini ve ek sağlıklı hücreleri enfekte etmesini sağlayan mekanizmadır. SARS-CoV-2'nin (PASC) akut sonrası sekelleri, birden fazla organı etkileyebilmesine rağmen, organ hasarına ve hatta organ yetmezliğine neden olabilmesine rağmen, öncelikle akciğerleri etkileyen bir sendrom olarak kabul edilmektedir20. Bu tür komplikasyonlar ölüme veya uzun vadeli sağlık sorunlarına yol açabilir. Örneğin, kalpte kalp yetmezliği veya diğer komplikasyon riskinde artış gelişebilir; akciğerler pnömoniyi takiben uzun süreli solunum güçlükleri yaşayabilir; beyin felç, nöbet veya Guillain-Barré sendromundan etkilenebilir; ve böbrekler septik şoka neden olabilecek hasara uğrayabilir. Enzim dengesizliği nedeniyle karaciğer hasarı meydana gelebilirken, rabdomiyoliz kas dokusunun parçalanmasına yol açarak miyoglobini kan dolaşımına salgılar ve bu da böbrekler onu hızlı bir şekilde filtreleyemezse ölümcül olabilir. Ek komplikasyonlar arasında iç kanamaya ve organ yetmezliğine neden olan anormal kan pıhtılarının oluşumu, streptokok veya stafilokok gibi bakterilerden kaynaklanan ikincil enfeksiyonlar, işlevsiz pıhtılaşma tepkileri nedeniyle yaygın damar içi pıhtılaşma ve genellikle beyin sisi, şiddetli yorgunluk, baş dönmesi veya düşünme bozukluğunun eşlik ettiği kronik yorgunluk yer alır. Bu zorluklara dayanarak, aşağıdaki hipotezler önerilmektedir: H1: Bir transfer öğrenme algoritmasının kullanılması, bölgeye özgü PASC'yi tanımlamak için epidemiyolojik verileri uygulayarak modellerin tahmin doğruluğunu ve aktarılabilirliğini önemli ölçüde artırabilir. H1a: Epidemiyolojik veriler kullanılarak ince ayar yapılan derin öğrenme modelleri diğer modellere göre daha iyi performans gösterir. H1b: Bölgeye özgü PASC belirleyicilerini transfer öğrenme modelleriyle birleştirmek, sınıflandırma ve kümelemenin doğruluğunu ve verimliliğini artırır. H1c: Bu kombinasyon aynı zamanda daha önce açıklanmayan veya gözden kaçan bölgeye özgü kalıpları da ortaya çıkarabilir. H1d: Transfer öğrenimi, diğer modellere kıyasla daha kısa eğitim süresi ve daha hızlı yakınsama sağlar.

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

Protocol

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

Bu çalışma, insan verilerini içeren araştırmalar için etik yönergelere uygun olarak yürütülmüştür. Bu çalışmada kullanılan tüm hasta verileri, erişim ve analizden önce tamamen anonimleştirildi. Kişisel olarak tanımlanabilir hiçbir bilgi kullanılmadı. Araştırma protokolü, Helsinki Bildirgesi'ne uygun olarak Kurumsal İnceleme Kurulu (IRB) tarafından gözden geçirildi ve onaylandı. Uygulanabilir olduğu durumlarda, veri erişim izinleri ilgili makamlardan veya veri havuzlarından alınmıştır. Bu çalışma, kimliksizleştirilmiş verilerin ikincil analizini içerdiğinden, IRB tarafından bilgilendirilmiş onamdan feragat edilmiştir. Önerilen gizli transfer modeli, gizli kalıpları bulmak ve bunları kaynak veri kümesinden hedef veri kümesine aktarmak için tasarlanmış makine öğrenimi tabanlı yarı denetimli bir öğrenme tekniğidir ve PASC16'nın epidemiyolojik problemlerini analiz etmek için son derece uygun olmasını sağlar. COVID sonrası koşullar genellikle farklı popülasyonlarda farklı semptomlarla ortaya çıkar ve bu da tutarsız ve seyrek verilere yol açar. Önerilen çalışma, veri kümelerinden gizli sağlık modellerini temsil etmek için geliştirilmiş gizli temsilleri öğrenerek ve bunları ortaya çıkan veri kümeleri olarak temsil ederek, farklı bölgelerdeki çeşitli semptomlardan kaynaklanan seyrek veri sorununu ele almaktadır. Bu dönüştürmeyi gerçekleştirmek için, bu gizli aktarım teknikleri, ortak bir gizli alanda hem kaynak hem de hedef verileri temsil etmek için otomatik veya varyasyonel kodlayıcılar kullanır. Ve bu ortak alan, COVID sonrası semptom kümeleri çeşitli bölgelerde iyi korunduğundan, elde edilen gizli kalıpları korur21. Prototip, alan uyarlaması ile geliştirilmiş genelleme yoluyla daha da ilerleyebilir. Bu yaklaşımı kullanarak model, risk altındaki kümelerin tanınmasına ve tahmin edilmesine yardımcı olabilir ve uzak bölgelerde halk sağlığının gözetimini destekleyebilir. Bu çalışma aynı zamanda tamamen etiketlenmiş verilere bağımlılığı azaltarak öğrenmeyi de geliştirir. Bununla birlikte, önerilen yaklaşım, çeşitli popülasyonlara yönelik genelleştirilmiş yaklaşımı nedeniyle boşlukları analiz etmek için güçlü bir araç haline gelir.

1. Veri kaynakları ve toplama

Bu çalışmada halka açık Kaggle veri kümeleri (Kardiyovasküler Hastalık Veri Kümesi, Kanser Tahmin Veri Kümesi, Erken Evre Diyabet Hastaları Tahmin Veri Kümesi ve Ruh Sağlığı Tahmin Veri Kümesi) kullanılmıştır. Bu nedenle, bu sunumda IRB onayı gerekli değildir.

Görüntü verilerini içeren veri kümeleri için ön işleme, TensorFlow ve OpenCV kütüphaneleri ile Python kullanılarak gerçekleştirildi. Ön işleme adımları arasında görüntünün yeniden boyutlandırılması (örneğin, 224 × 224 piksel), gri tonlamalı veya RGB dönüştürme, piksel değerlerinin [0, 1] aralığına normalleştirilmesi ve model genellemesini geliştirmek ve aşırı uyumu azaltmak için veri artırma teknikleri (döndürme, çevirme, yakınlaştırma) yer alıyordu. Görüntü dizileri daha sonra daha fazla işleme ve model girişi için NumPy dizilerine dönüştürüldü.

Özellik seçimi için, Özyinelemeli Özellik Eliminasyonu (RFE), Scikit-learn'ün RFE sınıfı kullanılarak, genellikle bir Lojistik Regresyon veya Rastgele Orman tahmincisi ile birlikte uygulandı. Seçilen özelliklerin sayısı veri kümesine göre değişiyordu, ancak ortak bir yapılandırma, özyinelemeli puanlamaya dayalı olarak boyutluluğu en etkili 10-15 özelliğe indirmekti. Bu yöntem, hesaplama karmaşıklığını ve model aşırı uyumunu azaltırken sınıflandırma doğruluğunu artırdı.

Bu çalışmada Kaggle'ın kamuya açık dört veri seti kullanılmıştır. Kardiyovasküler Hastalık Veri Kümesi, Meme Kanseri Tahmin Veri Kümesi, Erken Evre Diyabet Tahmin Veri Kümesi ve Ruh Sağlığı Tahmin Veri Kümesi. Bu veri kümeleri doğrudan Kaggle'dan indirilmiştir ve klinik ve ankete dayalı nitelikleri içeren yapılandırılmış tablo verilerinden oluşmaktadır. Veri ön işleme, veri işleme için Pandas, sayısal işlemler için NumPy ve veri ön işleme, özellik seçimi ve modelleme için Scikit-learn gibi anahtar kitaplıklarla Python kullanılarak gerçekleştirildi. Eksik değerler ortalama veya mod stratejileri kullanılarak atandı, kategorik değişkenler One-Hot veya Label Encoding ile kodlandı ve sayısal özellikler StandardScaler veya MinMaxScaler kullanılarak ölçeklendi. Dengesiz sınıflar için imblearn paketinden SMOTE (Sentetik Azınlık Aşırı Örnekleme Tekniği) uygulanmıştır. Özyinelemeli Özellik Eliminasyonu (RFE), Scikit-learn'ün RFE modülü kullanılarak Lojistik Regresyon ve Rastgele Orman gibi tahmin edicilerle uygulandı ve özelliklerin sayısı tipik olarak ROC-AUC ve doğruluk gibi model performans ölçümlerine dayalı olarak en etkili 10-15 özelliğe düşürüldü.

2. Model mimarisi

Bu araştırma, COVID-19 görüntü veritabanından girdi görüntülerini eğitmek için gizli aktarım modeli adı verilen sinir ağı algoritmasının bir varyantını önermektedir. Bu çalışma, derin bir sinir ağı oluştururken kaybolan gradyan sorununun üstesinden gelmede etkilidir. Farklı katman konfigürasyonlarına sahip çeşitli sinir ağı varyantları mevcut olsa da, bu çalışma öncelikle derin sinir ağlarının eğitim sürecinde artık öğrenme tekniklerinin uygulanmasına odaklanmaktadır. Önerilen gizli aktarım modeli, düzleştirilmiş ve yoğun katmanlı ağların yanı sıra 50 x 7 evrişimli katman çerçevesine sahip geliştirilmiş bir ResNet-7 algoritması kullanır. Bu katmanlar, desenleri22 çıkarmak için bölge bazında PASC hastalarının görüntü dönüşümünde ve çok sınıflı sınıflandırmasında kullanılır. Bu çalışma, verimli hiperparametreler, öğrenme davranışı, optimizasyon prosedürleri ve toplu hacimler kullanarak 256 x 256 x 3 boyutundaki girdi görüntülerini dikkate alır. Önerilen gizli transfer modeli, kardiyovasküler sorunlar, kanser, kronik solunum yolu hastalıkları, diyabet ve zihinsel sağlık sorunları geliştirme riski taşıyan hastaları sınıflandırmak için 12.946 görüntüden oluşan bir veri kümesini dikkate alıyor. Veri kümesi ayrıntıları ve hiperparametreler sırasıyla Tablo 2 ve Tablo 3'te verilmiştir.

Tekrarlanabilirliği sağlamak için, tüm model uygulama, ön işleme ve değerlendirme adımları, Intel Core i7 (11.Nesil) işlemci, 16 GB RAM ve NVIDIA GeForce RTX 3060 GPU ile donatılmış Windows 11 çalıştıran bir sistemde Jupyter Notebook içinde Python kullanılarak kontrollü bir ortamda gerçekleştirildi (GPU bu veri kümeleri için gerekli olmasa da herhangi bir hızlandırılmış işlem için). Kullanılan yazılım kitaplıkları arasında SMOTE için Pandas 1.5.3, NumPy 1.24, Scikit-learn 1.3.0, Imbalanced-learn 0.11.0, görselleştirme için Matplotlib 3.7.1 ve Seaborn 0.12.2 bulunur. Ön işleme, ortalama/mod ataması yoluyla eksik değerlerin işlenmesini, kategorik değişkenlerin One-Hot veya Label Encoding kullanılarak kodlanmasını ve StandardScaler kullanılarak özellik ölçeklendirmeyi içeriyordu. Model geliştirmede, boyutsallığın azaltılması için Özyinelemeli Özellik Eliminasyonu (RFE) ile Lojistik Regresyon, Rastgele Orman ve Destek Vektör Makineleri gibi sınıflandırıcılar kullanıldı. Modeller 5 kat çapraz doğrulama kullanılarak değerlendirildi ve performans, doğruluk, kesinlik, geri çağırma ve ROC-AUC puanı gibi ölçümler kullanılarak ölçülerek tutarlı ve tekrarlanabilir bir işlem hattı sağlandı.

3. Ön işleme ve özellik mühendisliği

Bu veri kümelerinden istatistiksel olarak anlamlı özellikler elde etmek için "Özyinelemeli Özellik Eliminasyonu (RFE) Kullanarak Özellik Seçimi" adlı bir ön işleme tekniği ve "Çok Katmanlı Algılayıcı (MLP) ile Öğrenmeyi Aktar" adlı bir modelleme hattı kullanılır.

4. Eğitim ve doğrulama

PASC semptom analizi ve tahmini için önerilen yaklaşımı değerlendirmek için organize bir eğitim ve doğrulama yaklaşımı kullanıldı. İlk başta, eğitim ve test verilerinin 80:20 oranıyla sınıf etiketlerinin kümülatif sistemini elde etmek için hiyerarşik bir tren-test ayrımı uygulandı. Ardından, k = 5 ile k-kat çapraz doğrulama, modelin çeşitli veri bölümlerinde sağlamlığını değerlendirmek için eğitim verileri üzerinde uygulandı. İki gizli katmana (64 ve 32 nöron) ve 300 yinelemeye sahip bir MLP sınıflandırıcısı uygulandı. Daha fazla özellik temsili ve transfer öğrenme teknikleri uygulandı.

5. Değerlendirme metrikleri

Önerilen modelin performansını karşılaştırmak için test verileri üzerinde doğruluk, F-ölçüsü, G-ortalaması, MAPE, Duyarlılık ve Özgüllük hesaplandı. Sonuçlar, önerilen modelin performansını diğer son teknoloji modellerle karşılaştırmak için test verileri üzerinde değerlendirme metriklerinin, Doğruluk, F-ölçüsü, G-ortalaması, MAPE, Duyarlılık ve Özgüllüğün iyileştirilmesini göstermektedir, yani VGG-16 CNN, VGG-19 CNN, DenseNet-121 CNN, InceptionV3 CNN, ResNet-101 CNN, MobileNetV2 CNN ve önerilen Gizli Transfer modeli. Yukarıdaki veri kümesi, kardiyovasküler, kanser, kronik solunum, diyabet ve akıl hastalığıyla ilgili verilerin eğitim, doğrulama ve test örneklerini içerir.

Tüm deneyler, Intel Core i7 işlemci, 16 GB RAM ve NVIDIA RTX 3060 GPU'ya sahip bir sistemde Python 3.10 kullanılarak Windows 11 ortamında gerçekleştirildi. Halka açık Kaggle veri kümeleri, Özyinelemeli Özellik Eliminasyonu (RFE) yoluyla eksik değer atama, kodlama, ölçeklendirme ve özellik seçimi için Pandas, NumPy ve Scikit-learn kullanılarak önceden işlendi. Lojistik Regresyon, Rastgele Orman ve SVM gibi modeller, tekrarlanabilirlik ve performans tutarlılığını sağlamak için doğruluk, kesinlik, geri çağırma ve ROC-AUC gibi ölçümlerle 5 kat çapraz doğrulama kullanılarak eğitildi ve değerlendirildi.

Yukarıdaki tabloda hiperparametrelerin ayrıntıları ve bunları kullanan teknik veya algoritma gösterilmektedir. Adam optimizer algoritması için öğrenme oranı, erken durdurma tekniği, parti boyutu, dönem boyutu, geri aramalar, kayıp fonksiyonu ve verimliliği ölçmek için metrikler verilmiştir.

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

Results

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

Önerilen model, VGG-16 CNN, VGG-19 CNN, DenseNet-121 CNN, InceptionV3 CNN, ResNet-101 CNN ve MobileNetV2 CNN dahil olmak üzere mevcut transfer modelleriyle karşılaştırılmıştır. Parametre detayları ve karşılaştırmanın sonuçları sırasıyla Tablo 4, Tablo 5 ve Şekil 2'de gösterilmektedir. Sonuçlar, önerilen modeli VGG-16 CNN, VGG-19 CNN, DenseNet-121 CNN, InceptionV3 CNN, ResNet-101 CNN ve MobileNetV2 CNN gibi diğer modellere göre kullanarak değerlendirme metrik...

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

Discussion

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

Teklif, PASC'nin etkilerini ele almak için gizli bir transfer öğrenme modeli oluşturmaya odaklanıyor. Bu yapı, özellikle orta yaşlı ve yaşlılarda ve daha önce kalp-damar hastalıkları, kanser, solunum yolu hastalıkları ve diyabet gibi kronik hastalıklara maruz kalanlarda ciddi fiziksel ve zihinsel sağlık sorunlarına yol açmaktadır. Nihai hedef, kişiselleştirilmiş bakıma, erken teşhise ve PASC'nin etkili tedavisine olanak sağlamak için farklı popülasyonlardan çeşitli hasta verilerini gizli...

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

Disclosures

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

Yazarlar, bu makalenin yayınlanması ile ilgili herhangi bir çıkar çatışması olmadığını beyan eder.

Acknowledgements

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

Hiç kimse.

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

Materials

List of materials used in this article
NameCompanyCatalog NumberComments
Bulut Bilişim Ortamı (örneğin, Google Colab / AWS EC2)Google / AmazonYOKGPU hızlandırmalı derin öğrenme modellerini eğitmek için kullanılır
Epidemiyolojik Veri Seti (SARS-CoV-2'nin Akut Sonrası Sekelleri, bölgeye özgü)Halk sağlığı veri havuzları (örneğin, WHO, CDC, ICMR, bölgesel hastaneler)YOKTransfer öğrenimi deneyleri için veri kümesi
Jupyter NotebookJupyter ProjesiAçık kaynakKodlama ve dokümantasyon için etkileşimli ortam
KerasAçık kaynakTensorFlow ile entegreDerin öğrenme modelleri oluşturmak ve eğitmek için üst düzey API
Matplotlib / Denizde DoğanAçık kaynakYOKGrafikler ve epidemiyolojik eğilim analizi için kullanılan görselleştirme kütüphaneleri
NumPyAçık kaynakYOKSayısal hesaplama kütüphanesi
PandalarAçık kaynakYOKVeri işleme ve analiz kitaplığı
Önceden eğitilmiş CNN/Transformer modelleri (ör. EfficientNet, BERT tabanlı modeller)TensorFlow Hub / HuggingFaceModele özelEpidemiyolojik tahmin için transfer öğrenimi ve ince ayar için kullanılır
Python (v3.8 veya üzeri)Python Yazılım VakfıAçık kaynakVeri ön işleme, model eğitimi ve değerlendirme için kullanılan programlama dili
Scikit-öğrenAçık kaynakYOKÖn işleme, değerlendirme ölçümleri ve temel modeller için makine öğrenmesi kitaplığı
TensorFlow (v2.x)Google'daAçık kaynakTransfer öğrenimi ve model dağıtımı için kullanılan derin öğrenme çerçevesi

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