Ein Deep-Learning-Vorhersagemodell für Bedenken hinsichtlich der öffentlichen Gesundheit und Zurückhaltung gegenüber dem COVID

Wissenschaftliche Berichte Band 13, Artikelnummer: 9171 (2023) Diesen Artikel zitieren

3 Altmetrisch

Details zu den Metriken

Während der gesamten Pandemiezeit war COVID-19 eine der bemerkenswerten unerwarteten Situationen der letzten Jahre, aber mit der Dezentralisierung und Globalisierung von Bemühungen und Wissen wurde eine erfolgreiche, auf Impfstoffen basierende Kontrollstrategie effizient entwickelt und weltweit angewendet. Andererseits haben entschuldigte Verwirrung und Zögern weitreichende Auswirkungen auf die öffentliche Gesundheit. Dieses Papier zielt darauf ab, die Vorbehalte gegenüber der Impfung gegen COVID-19 unter Berücksichtigung der Krankengeschichte des Patienten zu verringern. Bei dem in dieser Studie verwendeten Datensatz handelt es sich um den VAERS-Datensatz (Vaccine Adverse Event Reporting System), der als Zusammenarbeit zwischen der Food and Drug Administration (FDA) und den Centers for Disease Control and Prevention (CDC) erstellt wurde, um möglicherweise gemeldete Nebenwirkungen zu erfassen verursacht durch PFIEZER-, JANSSEN- und MODERNA-Impfstoffe. In diesem Artikel wurde ein Deep-Learning-Modell (DL) entwickelt, um den Zusammenhang zwischen einem bestimmten Typ von COVID-19-Impfstoffen (z. B. PFIEZER, JANSSEN und MODERNA) und den Nebenwirkungen zu identifizieren, die bei geimpften Patienten auftreten können. Die untersuchten Nebenwirkungen sind der Genesungszustand, die Möglichkeit einer Krankenhauseinweisung und der Sterbestatus. In der ersten Phase des vorgeschlagenen Modells wurde der Datensatz vorverarbeitet, während in der zweiten Phase der Taubenschwarm-Optimierungsalgorithmus verwendet wird, um die vielversprechendsten Merkmale, die sich auf die Leistung des vorgeschlagenen Modells auswirken, optimal auszuwählen. Der Datensatz zum Status des Patienten nach der Impfung ist in drei Zielklassen eingeteilt (Tod, Krankenhausaufenthalt und Genesen). In der dritten Phase wird das Recurrent Neural Network (RNN) sowohl für jeden Impfstofftyp als auch für jede Zielklasse implementiert. Die Ergebnisse zeigen, dass das vorgeschlagene Modell die höchsten Genauigkeitswerte liefert, nämlich 96,031 % für die Zielklasse „Tod“ im Fall der PFIEZER-Impfung. Bei der JANSSEN-Impfung zeigte die Zielgruppe der Krankenhauspatienten mit einer Genauigkeit von 94,7 % die höchste Leistung. Schließlich weist das Modell mit einer Genauigkeit von 97,794 % die beste Leistung für die Zielklasse „Recovered“ bei der MODERNA-Impfung auf. Basierend auf der Genauigkeit und dem Wilcoxon Signed Rank-Test können wir den Schluss ziehen, dass das vorgeschlagene Modell vielversprechend ist, um den Zusammenhang zwischen den Nebenwirkungen von COVID-19-Impfstoffen und dem Zustand des Patienten nach der Impfung zu identifizieren. Die Studie zeigte, dass bestimmte Nebenwirkungen bei Patienten je nach Art der COVID-19-Impfstoffe verstärkt waren. Nebenwirkungen im Zusammenhang mit dem ZNS und dem hämatopoetischen System zeigten bei allen untersuchten COVID-19-Impfstoffen hohe Werte. Im Rahmen der Präzisionsmedizin können diese Erkenntnisse das medizinische Personal bei der Auswahl des besten COVID-19-Impfstoffs auf der Grundlage der Krankengeschichte des Patienten unterstützen.

Es gibt mehrere Ansätze zur Entwicklung eines Impfstoffs. Sie unterscheiden sich im Prozentsatz des verwendeten Virus. Nach Angaben der Weltgesundheitsorganisation (WHO)1 nutzt ein Ansatz das gesamte Virus oder Bakterium, wie beispielsweise der Ansatz mit der gesamten Mikrobe, während ein anderer Ansatz nur den Teil des Virus verwendet, der das Immunsystem des Körpers auslöst, wie beispielsweise der Untereinheiten-Ansatz, oder nur den Teil des Virus das genetische Material, das die Anweisungen liefert, die für die Herstellung spezifischer Proteine erforderlich sind, beispielsweise für den genetischen Ansatz (Nukleinsäureimpfstoff).

Einige COVID-19-Impfstoffe wie Pfizer-BioNTech und Moderna2 verwenden eine genetisch veränderte Form der Boten-RNA (mRNA). Wenn man sich die Konfiguration von COVID-19 genauer ansieht, kann man leicht erkennen, dass die Oberfläche des Virus eine spitzenartige Konfiguration aufweist, die als S-Glykoprotein bezeichnet wird. Wenn solche mRNA durch COVID-19-mRNA-Impfstoffe in den Körper gelangt, weist sie die Körperzellen eines Empfängers an, ein harmloses Fragment des S-Proteins zu produzieren. Andererseits gelten andere COVID-19-Impfstoffe als vektorbasierte Impfstoffe wie AstraZeneca, Janssen und Gamaleya, die auf der Rekombination des Spike-Gens von SARS-CoV-2 in einen anderen viralen Vektor wie ein Adenovirus basieren. Auf viralen Vektoren basierende Impfstoffe gegen SARS-CoV-2 haben keine Pathogenese für SARS-CoV-2 und das virale Vektorvirus.

Die Adjuvans-Untereinheitsimpfstoffe wie Novavax und Biological E basieren hauptsächlich auf der Verwendung immunogenerer S-Glykoproteine von SARS-CoV-2 in Verbindung mit Adjuvans3. Diese Art von Impfstoff produziert Antikörper und defensive weiße Blutkörperchen, sobald Ihr Immunsystem die S-Proteine erkennt. COVID-19-Impfstoffe gegen Proteinuntereinheiten verwenden keine lebenden Viren und können daher den Körper nicht mit dem COVID-19-Virus infizieren. Proteinfragmente gelangen auch nicht in den Zellkern von Körperzellen, wo die DNA gespeichert wird. Inaktivierte Impfstoffe wie Sinopharm, Sinovac Biotech und Bharat Biotech werden in China, Indien und vielen Entwicklungsländern häufig eingesetzt. Diese Art von Impfstoff basiert auf mit Adjuvans versehenen ganzen inaktivierten Viren.

Künstliche Intelligenz (KI) ist eine Technik, die es einer Maschine ermöglicht, menschliches Verhalten zu reproduzieren, mit dem Ziel, ein Funktionsmodell des menschlichen Gehirns zu erstellen, das in der Lage ist, lernbasierte Entscheidungen zu treffen4. ML ist ein Zweig der KI, der statistische Methoden nutzt, um Maschinen die Fähigkeit zu geben, im Laufe der Zeit zu lernen und sich weiterzuentwickeln. Es umfasst eine breite Palette von Anwendungen, und es wurden andere Techniken wie Clustering, Bayesianisches Netzwerk, Entscheidungsbaum und DL5 entwickelt. DL ist eine spezielle Art von ML, die die Funktionsweise unserer Gehirnzellen nachahmt und so das Konzept neuronaler Netze inspiriert hat6.

DL hat sich in vielen realen Sektoren, einschließlich des Gesundheitswesens und der Arzneimittelforschung, als vielversprechendes KI-Unterfeld erwiesen. Mit der Weiterentwicklung von DL wechseln in letzter Zeit große Pharmaindustrien zu KI-basierten Methoden. DL-Modelle sind in vielen Größen und Formen erhältlich und können Probleme auf effiziente Weise lösen, die für herkömmliche Methoden zu komplex sind7.

COVID-19-Impfstoffe unterliegen immer noch vielen Kritikpunkten und Einschränkungen, angefangen von leichten Nebenwirkungen bis hin zu schwerwiegenden Katastrophenfolgen. Vor dem Hintergrund der Notwendigkeit von Impfungen auf der ganzen Welt zur Bekämpfung der COVID-19-Katastrophe besteht das Ziel der Arbeit darin, den Zusammenhang zwischen den Nebenwirkungen von drei COVID-19-Impfstoffen und der Art der Patienten zu untersuchen. Hierin haben wir Patienten in drei Klassen eingeteilt (verstorben, hospitalisiert und genesen). Durch die Verwendung von DL haben wir den Zusammenhang von Nebenwirkungen zu jeder Klasse entdeckt.

Aufgrund der Notwendigkeit, die Nebenwirkungen des COVID-19-Impfstoffs zu verstehen, insbesondere da es sich um eine weltweit ausbrechende Krankheit handelt, zielt diese Arbeit darauf ab, den Zusammenhang zwischen der Art des COVID-19-Impfstoffs (3 Impfstoffe) und den damit verbundenen Nebenwirkungen zu untersuchen ihnen. Dieser Ansatz wurde mithilfe eines DL-Modells umgesetzt. Hierin haben wir Patienten in drei Klassen eingeteilt (verstorben, hospitalisiert und genesen). Durch den Einsatz von DL wollen wir den Zusammenhang von Nebenwirkungen zu jeder Klasse ermitteln.

Die Hauptbeiträge dieses Papiers sind wie folgt zusammengefasst:

Nach unserem besten Wissen ist dies die erste Studie, die DL verwendet, um die Nebenwirkungen vorherzusagen, die bei einem Patienten nach der COVID-19-Impfung auftreten können, was einen bemerkenswerten Einfluss auf die Bedenken im Zusammenhang mit der COVID-19-Impfung für die öffentliche Gesundheit haben wird.

Eine solche Studie wird Ärzten und Pharmaunternehmen dabei helfen, den Impfstoff entsprechend der Patientengeschichte auszuwählen. Darüber hinaus wird diese Studie weitere Informationen zur Pharmakovigilanz über solche Impfstoffe liefern.

Die wichtigsten Merkmale, die die Leistung des vorgeschlagenen Modells beeinflussen, werden mithilfe des „Pigeon-Algorithmus“ optimiert.

In der aktuellen Arbeit wurde versucht, eine effiziente Vorhersagemethode für die Nebenwirkungen des COVID-19-Impfstoffs zu finden, die aufgrund ihrer Rolle ein sehr nützliches Instrument für die Bewältigung der zuvor diskutierten verwirrenden Situation im Zusammenhang mit der COVID-19-Impfung darstellen wird.

Der Aufbau der Arbeit ist wie folgt aufgebaut. Der Abschnitt „Literaturübersicht“ enthält einen Überblick über verwandte Arbeiten. Sekte. „Grundlagen und Hintergrund“ gibt einen ersten Hintergrund. Im Abschnitt „Das Vorschlagsmodell“ wird der vorgeschlagene Rahmen vorgestellt. Im Abschnitt „Experimentelle Ergebnisse“ werden die Ergebnisse besprochen. Abschn. „Schlussfolgerung“ gibt einen Abschluss der Arbeit.

Dieser Abschnitt gibt eine Zusammenfassung der bisherigen Arbeiten zu dem in dieser Arbeit untersuchten Problem.

In der chinesischen Provinz Hubei in der Stadt Wuhan kam es im Dezember 2019 zu einem Ausbruch eines neuen Coronavirus. Die meisten Patienten, bei denen die Erstdiagnose gestellt wurde, wurden in der Nähe des „Nassmarktes“ gefunden, einem Ort, an dem lebende Tiere geschlachtet und verkauft werden. Der Markt diente möglicherweise als verstärkender Hotspot, von dem aus sich das Virus schnell in Territorien und anderen Regionen Chinas sowie in 213 Ländern weltweit ausbreitete8.

Am 11. Februar 2020 definierte die Weltgesundheitsorganisation (WHO) diese Krankheit als COVID-19, ein Akronym für Coronavirus Disease 2019. Weltweit wurden bis zum 17. August 2020 761.000 Todesfälle und 21,2 Millionen bestätigte Fälle dokumentiert9. Das schlimmste COVID -19-Szenarien treten Berichten zufolge in den USA, Indien, Brasilien und Russland auf, wo die Zahl der bestätigten Fälle die von China übersteigt. Die aktuelle COVID-19-Epidemie wurde von der WHO am 30. Januar 2020 als „gesundheitlicher Notfall von internationaler Tragweite“ und am 11. März 2020 als „Pandemie“ eingestuft.

SARS-CoV-2 ist ein zoonotisches Beta-Coronavirus, das durch Spillover-Ausbrüche auf Einzelpersonen übertragbar ist. Es gehört zur Untergattung Sarbecovirus und zur Unterfamilie Orthocoronavirinae der Familie Coronaviridae. Das SARS-CoV-2-Tierreservoir dürften Fledermäuse sein, ein weiterer plausibler tierischer Zwischenwirt ist jedoch noch unbekannt. Das Virus ist ein kugelförmiges Partikel mit einer Größe von 70–90 nm10. Glykoproteinspitzen, die aus seiner Oberfläche hervorstehen, binden an den Angiotensin-Converting-Enzym-2-Rezeptor der Zelle. Aufgrund dieser Zacken ähnelt das Virus einer Krone, wovon der Name „Coronavirus“ abgeleitet wurde.

Obwohl dieses neu auftretende Virus eine weitaus niedrigere Sterblichkeitsrate (2,9 %) aufweist als SARS-CoV (9,6 %) und MERS-CoV (34,4 %), hat seine hohe Übertragbarkeitsrate im Vergleich zu anderen Coronaviren weltweit Anlass zur Sorge gegeben. Zusätzlich zur Beeinträchtigung durch eine zugrunde liegende Komorbidität, zu der gleichzeitige Erkrankungen wie Diabetes, Bluthochdruck, Krebs, Herz-Kreislauf-Erkrankungen und chronische Atemwegserkrankungen gehören, ändert sich die Sterblichkeitsrate von COVID-19 mit dem Alter11,12,13.

Die Einführung der Pandemie löste einen Wettlauf um die Entdeckung und Entwicklung eines Impfstoffs aus, der eine Herdenimmunität schaffen und die schädlichen Folgen von COVID-19 abmildern soll. Die Arbeiten zur Entwicklung eines Impfstoffs sind derzeit etabliert und zeigen nachweislich Ergebnisse. Die länderübergreifende Einführung hat begonnen, nachdem bestimmte Impfkandidaten respektable Ergebnisse erzielt hatten14.

Alle Impfstoffkandidaten, die eine weltweite Vertriebslizenz erhalten möchten, müssen vorklinische Tier- und Laborversuche durchlaufen, gefolgt von vier Phasen klinischer Studien. Die Phase-1-Studie wird durchgeführt, bevor Impfstoffkandidaten in klinische Studien am Menschen aufgenommen werden, um die Sicherheit des Impfstoffs zu bewerten, Dosierungen festzulegen und frühzeitig auf mögliche Nebenwirkungen oder Nebenwirkungen bei einer begrenzten Stichprobe von Teilnehmern hinzuweisen. Phase-2-Studien beginnen mit der Untersuchung der Wirksamkeit bei größeren Gruppen und setzen die Untersuchung der Sicherheit fort. Nur wenige Impfstoffe erreichen Phase-3-Studien, an denen im Wesentlichen Hunderte oder Zehntausende Patienten beteiligt sind. Diese Studien werden verwendet, um die Wirksamkeit des Impfstoffs zu validieren und zu bewerten und zu untersuchen, ob ungewöhnliche Nebenwirkungen nur bei großen Bevölkerungsgruppen auftreten. Phase-4-Studien, die letzte Phase, werden nach Erhalt der nationalen behördlichen Genehmigung durchgeführt und umfassen eine erweiterte Überwachung nach dem Inverkehrbringen in einer großen Population. Nicht alle im Inland zugelassenen Impfstoffe befinden sich im 4. Entwicklungsstadium. Bei der Erteilung von Notfallgenehmigungen befolgen die Aufsichtsbehörden in vielen Ländern ihre unterschiedlichen Gesetze und Zeitpläne und stützen sich dabei auf verschiedene Formen von Beweisen aus verschiedenen Phasen klinischer Studien. Noch bevor Phase-3-Studien abgeschlossen waren, begannen einige nationale Regulierungsbehörden, insbesondere in Russland und China, mit der Lizenzierung von Impfstoffen für den (eingeschränkten oder umfassenden) öffentlichen Gebrauch15.

Derzeit befinden sich etwa 330 COVID-19-Impfstoffkandidaten in der Entwicklung. 194 befinden sich in präklinischen Studien, 42 in Phase-1-Studien, 44 in Phase-2-Studien, 40 in Phase-3-Studien und 10 in Phase-4-Studien. Es ist erwähnenswert, dass von den zuvor erwähnten in der Entwicklung befindlichen Impfstoffen 24 tatsächlich im Einsatz sind und der breiten Bevölkerung angeboten werden. Alle diese Impfstoffe können in vier Hauptkategorien eingeteilt werden; inaktivierter Ganzzellimpfstoff, Proteinuntereinheitenimpfstoff, viraler Vektorimpfstoff und Nukleinsäureimpfstoff (RNA oder DNA). Die führenden und am weitesten verbreiteten sind die von RNA PFIZER/BioNTech (Deutschland), MODERNA (USA) und dem viralen Vektor JANSSEN/JOHNSON&JOHNSON (USA)16.

Tarik Alafif et al. In Lit. 17 haben wir ML- und DL-basierte Forschung untersucht, die zur Diagnose von COVID-19 durchgeführt wurde. Die Autoren untersuchten auch öffentlich verfügbare Datensätze, die verwendet werden könnten. Ihre Umfrage hat Licht auf die meisten modernsten Ansätze für ML und DL geworfen und potenzielle Herausforderungen und zukünftige Richtungen zusammengefasst. M. Ali et al. In Ref. 18 wurde eine weitere Umfrage vorgestellt, um zu untersuchen, wie ML tiefgreifende Auswirkungen auf das Verständnis der Covid-19-Pandemie hatte. Der Schwerpunkt der Umfrage lag auf der Virusdiagnose anhand von Röntgenbildern und CT-Scans. In dieser Umfrage werden auch zukünftige Szenarien der Pandemie dargestellt.

Zhoe et al.19 haben ein CNN für COVID-19-CT-Tests übernommen. Sie untersuchten die Leistung verschiedener vorab trainierter Modelle auf CT-Bildern und kamen zu dem Schluss, dass ihr Modell neue visuelle Indikatoren erforschen kann, um klinische Ärzte bei weiteren manuellen Screenings zu unterstützen.

Hatmal et al. haben in Lit. 20 mehrere ML-Modelle analysiert, um ihre Genauigkeit bei der Vorhersage des Umfangs der Krankenhausversorgung zu vergleichen, die für Patienten mit der Diagnose Covid-19 erforderlich ist. Sie wandten Merkmalsauswahl- und Oversampling-Techniken an und ihre experimentellen Ergebnisse zeigten, dass Alter und Geschlecht die wichtigsten Variablen bei dem genannten Vorhersageproblem sind. Patienten werden so eingestuft, als ob sie lediglich eine reguläre Krankenhauseinweisung oder eine Einweisung auf die Intensivstation benötigen.

Bai et al.21. Gesammelte CT-Scans von 1186 Patienten mit entweder nicht-COVID-Pneumonie oder RT-PCR-bestätigter COVID-Pneumonie aus 11 verschiedenen Krankenhäusern in den USA und China. Sie entwickelten ein Deep-Learning-Modell zur Unterscheidung zwischen COVID- und Nicht-COVID-Pneumonie. Anschließend stellten die Autoren das Modell Radiologen zur Verfügung und zeigten, dass ihr Modell die diagnostische Genauigkeit des Radiologen bei der Unterscheidung von COVID-Pneumonie und Nicht-COVID-Pneumonie deutlich von 85 auf 90 % verbesserte.

Hernández-Pereira E. et al. In Lit. 22 wurde ein ML-Modell vorgestellt, das anhand der Krankengeschichte und demografischen Daten des Patienten vorhersagen konnte, ob ein bestimmter Covid-19-Patient eher überlebt oder stirbt. Sie verwendeten einen Datensatz bestätigter und vermuteter infizierter Patienten in Mexiko. Sie bewiesen, dass ihr vorgeschlagenes Modell Hochrisikopatienten identifizieren und so die rechtzeitige Behandlung und Krankenhauseinweisung verbessern kann. Chadagahttps et al. In Lit. 23 wurden bestehende ML- und DL-Methoden untersucht und untersucht, wie sie unser Verständnis von COVID-19 verbessern und den Ausbruch von COVID-19 verhindern können.

Eine weitere Studie wurde am King Fahad University Hospital, Dammam, KSA24 durchgeführt. Diese Studie zielt darauf ab, die COVID-19-Diagnose zu automatisieren, indem klinische Patientendaten mit Röntgenbildern des Brustkorbs in einem DL-Modell integriert werden. Die verwendeten Daten umfassen insgesamt 270 Patientenakten. Die Experimente wurden zunächst mit klinischen Daten, dann mit der Röntgenaufnahme des Brustkorbs und schließlich sowohl mit klinischen Daten als auch mit der Röntgenaufnahme des Brustkorbs durchgeführt. Diese Fusion wird verwendet, um die klinischen Merkmale und aus Bildern extrahierten Merkmale zu kombinieren. Die experimentellen Ergebnisse zeigten, dass ihr Modell die diagnostische Genauigkeit verbessert.

Der Schritt der Impfstoffentwicklung einschließlich Prozessgesetzgebung und -regulierung galt weltweit als „Licht am Ende des dunklen Tunnels von COVID-19“. Obwohl die bemerkenswerte lebensrettende Rolle durch die weltweit eingeführte auf Impfstoffen basierende Kontrollstrategie erreicht wurde, hat der harte Wettbewerb bei der Impfstoffentwicklung die ganze Welt verwirrt.

Wie oben erwähnt, ist die Literatur sehr reich an COVID-19-Forschung. Der Großteil der Arbeit befasste sich jedoch mit der Vorhersage und Diagnose der COVID-19-Infektion, indem entweder der aktuelle Zustand und die Symptome des Patienten als Merkmale oder die Röntgenaufnahme des Brustkorbs zur Diagnose der Krankheit herangezogen wurden. Nach unserem besten Wissen ist dies die erste Studie, die DL verwendet, um die Nebenwirkungen vorherzusagen, die bei einem Patienten nach der COVID-19-Impfung auftreten können.

In diesem Abschnitt werden die vorläufigen Informationen zu den in diesem Dokument verwendeten Algorithmen vorgestellt, um den Lesern das Verständnis der Methodik zu erleichtern.

Der Pigeon-Algorithmus ist ein bioinspirierter Optimierer, der im Jahr 201425 entwickelt wurde. Es handelt sich um einen bevölkerungsbasierten Schwarmintelligenzalgorithmus, der weit verbreitet und erfolgreich zur Lösung vieler Optimierungsprobleme eingesetzt wird. Bioinspirierte Algorithmen waren für Forscher schon immer verlockend, da sie komplexe Probleme mit besonders großem Suchraum lösen können, beispielsweise nichtdeterministische Polynomprobleme. Der Pigeon-Algorithmus versucht, die Qualität der Lösungen zu verbessern, indem er das soziale Verhalten eines Taubenschwarms nachahmt und dabei ein mathematisches Modell auf der Grundlage seines natürlichen Verhaltens formuliert26.

Das Suchverhalten von Tauben wird von zwei Operatoren abgeleitet: Karte und Kompass. Tauben können das Magnetfeld der Erde spüren, außerdem nutzen sie den Sonnenstand als Kompass, um ihre Richtung ständig zu ändern, um ihr Heimatziel zu erreichen. Je näher fliegende Tauben ihrem Zuhause oder Ziel kommen, desto weniger benötigen sie den Karten- und Kompass-Operator. Die Position Pi sowie die Geschwindigkeit Vi jeder Taube i werden bei jeder Iteration t aktualisiert. Dies kann mathematisch durch die folgenden Gleichungen27,28 dargestellt werden.

Dabei ist R ein Karten- und Kompassfaktor, Rand eine einheitliche Zufallszahl im Bereich [0, 1] und Pg die weltweit beste Lösung.

Bei jeder Iteration des Pigeon-Algorithmus sind die Tauben darauf angewiesen, dass der Karten- und Kompassoperator die sogenannte beste Taube aufspürt und somit ihre Flugposition ändert. Die aktuelle Flugrichtung einer bestimmten Taube wird mathematisch durch den ersten Operanden von Gleichung (1) dargestellt . (1) und ist in Abb. 1 durch den blauen Pfeil dargestellt. Die Flugrichtung der besten Taube wird durch den gepunkteten roten Pfeil angezeigt und mathematisch durch den zweiten Operanden von Gl. dargestellt. (1). Die nächste Richtung, in die eine bestimmte Taube navigieren soll, wird durch Summieren der beiden Operanden in Gleichung dargestellt. (1). Bei jeder Iteration werden neue Flugpositionen aller Tauben berechnet und entsprechend mithilfe der Gleichungen modifiziert. (1) und (2). Der Pigeon-Optimierer ist in Algorithmus (1) aufgeführt.

Alle Tauben passen ihre Position an, indem sie der besten Taubenposition folgen.

Recurrent Neural Network (RNN) ist ein Sonderfall eines neuronalen Netzwerks, bei dem die Ausgabe eines vorherigen Schritts wieder als Eingabe für den nächsten Schritt verwendet wird. In den meisten neuronalen Netzen hängen Eingaben nicht von Ausgaben ab, aber in einigen Fällen hängt die aktuelle Vorhersage von vorherigen Vorhersagewerten ab. Wenn beispielsweise das nächste Wort in einem Satz vorhergesagt werden soll, sind die Wörter aus vorherigen Iterationen erforderlich und daher sollten alle vorherigen Wörter gespeichert werden, um das nächste Wort in der Sequenz zu erhalten. Dieses Problem wird durch die Verwendung einer verborgenen Ebene gelöst, die sich Informationen aus früheren Iterationen merkt (siehe Abbildung 2). Zusätzlich zu verborgenen Schichten verwendet RNN während des gesamten Berechnungsprozesses auch Rückwärtsschleifen, um Informationen in das Netzwerk einzuspeisen. Sowohl versteckte Schichten als auch Rückwärtsschleifen geben RNNs die Möglichkeit, sequentielle und zeitliche Daten zu verarbeiten.

Wiederkehrendes neuronales Netzwerk.

In diesem Abschnitt wird eine Diskussion des vorgeschlagenen Modells vorgestellt. Wie in Abb. 3 dargestellt, durchläuft das Modell drei Phasen (1) Datenvorverarbeitung, (2) Merkmalsauswahlprozess und (3) Vorhersagephasen. Jede dieser Phasen wird in den folgenden Unterabschnitten nach einer kurzen Beschreibung der verwendeten Daten erläutert.

Die Architektur des vorgeschlagenen Modells.

Der im vorgeschlagenen Modell verwendete Datensatz ist der Datensatz des Vaccine Adverse Event Reporting System (VAERS)29. Es wurde als Zusammenschluss der Food and Drug Administration (FDA) und der Centers for Disease Control and Prevention (CDC) gegründet, um gemeldete Nebenwirkungen zu sammeln, die durch PFIEZER-, JANSSEN- und MODERNA-Impfstoffe verursacht werden können. Der Datensatz enthält Nebenwirkungen, die für mehrere Impfstoffe gemeldet wurden, nicht nur für den SARS-CoV-2-Impfstoff. Alle Impfstoffe außer COVID-19-Impfstoffen wurden von der aktuellen Studie ausgeschlossen. Der Datensatz enthält Informationen über Nebenwirkungen nach der Impfung. VAERS wird verwendet, um einem Patienten die Möglichkeit zu geben, nach der Impfung aufgetretene Nebenwirkungen zu melden. Der Datensatz besteht aus drei Datendateien, die regelmäßig aktualisiert werden, wobei auf der Website auf das aktuellste Aktualisierungsdatum verwiesen wird. Der Datensatz umfasst drei Dateien. Eine Datei ist der demografischen und medizinischen Vorgeschichte der Patienten gewidmet, die zweite Datei enthält die Reaktionen der Patienten nach der Impfung und die letzte Datei enthält Impfinformationen. Die Datensätze wurden entsprechend dem Primärschlüssel „VAERS ID“ zusammengeführt und es wurden nur Daten von COVID-19-geimpften Patienten verwendet. Tabelle 1 zeigt die verwendeten Variablen und ihre Beschreibungen.

Idiosynkratische Nebenwirkungen können eine Vielzahl von Organen betreffen, darunter Haut, Muskeln, Leber, Niere und Herz, und einige Medikamente/Impfstoffe können allgemeinere Überempfindlichkeitsreaktionen hervorrufen. Je nach Schweregrad der Nebenwirkungen werden sie im Allgemeinen in Stufen von 1 bis 4 eingeteilt. Grad 1 ist sehr mild und Grad 4 ist sehr schwerwiegend.

STUFE 1 (Mild).

STUFE 2 (Mittel).

STUFE 3 (Schwerwiegend).

STUFE 4 (Potenziell lebensbedrohlich).

Ziel dieser Studie ist es, den Grad der Nebenwirkungen bei jedem im aktuellen Datensatz genannten Typ von COVID-19-Impfstoffen herauszufinden. Tabelle 2 beschreibt das Organ oder physiologische System, das mit der Nebenwirkung in Zusammenhang steht.

Aus dem untersuchten Datensatz werden in dieser Studie Nebenwirkungen von Patienten berücksichtigt. Das Feld „SYMPTOM_TEXT“ des Rohdatensatzes enthält die gesamte Krankengeschichte des Patienten. Durch die Verwendung von String-Matching-Techniken wurden alle vorhandenen medizinischen Bedingungen und Vorerkrankungen des Patienten aus dem Feld „SYMPTOM_TEXT“ des Datensatzes extrahiert. Jede Erkrankung wurde als separates Binärfeld zum Datensatz hinzugefügt, wobei „0“ angibt, dass der Patient nicht an dieser Erkrankung leidet, und „1“ angibt, dass er/sie an einer solchen Erkrankung leidet. Im Feld „SYMPTOM_TEXT“ wurden 49 gemeldete Erkrankungen gefunden. Beispiele für die eingeschlossenen Erkrankungen sind Bluthochdruck, Diabetes, COPD, Nierenerkrankungen, Depressionen und Asthma. Gemeldete Nebenwirkungen des COVID-19-Impfstoffs sind ebenfalls enthalten.

Bei einigen Impfstoffempfängern traten einige Symptome auf und sie starben kurz nach der Impfung, andere wurden erneut mit COVID-19 infiziert und bei einigen waren schwere Nebenwirkungen aufgetreten, sodass eine stationäre Behandlung in Krankenhauseinrichtungen erforderlich war. Es werden drei verschiedene Arten von Zielklassen für die Analyse der Reaktionen von Patienten nach der Impfung berücksichtigt. Dies sind „Todesstatus“, „Krankenhauseinweisungsstatus“ und „Genesen“. Die drei Klassen schließen sich gegenseitig nicht aus.

Für den VAERS-Datensatz erfolgt die Datenbereinigung durch Entfernen aller fehlenden Werte. Darüber hinaus ist der Datensatz nicht ordnungsgemäß verteilt. Um dieses Problem zu lösen, kann der Hybrid-Sampling-Algorithmus, der Over- und Under-Sampling-Techniken kombiniert, auf den Datensatz angewendet werden.

Die grafische Demographie der Zielklassen ist in Abb. 4 dargestellt und zeigt die Verteilung der Individuen für jede Zielklasse innerhalb des Datensatzes für PFIEZER-, JANSSEN- und MODERNA-Impfstoffe.

Klassenverteilung für die Nebenwirkungen der Patienten nach PFIEZER-, JANSSEN- und MODERNA-Impfung.

Die Auswahl der richtigen Funktionen, die die Genauigkeit des DL-Modells verbessern können, ist ein sehr wichtiger Schritt im Klassifizierungsprozess. Die Merkmalsauswahl kann als der Prozess der Auswahl einer Teilmenge von Merkmalen aus einem Pool ursprünglicher Merkmale definiert werden, die das Ergebnis am meisten beeinflussen könnten. Die Merkmalsauswahl verbessert die Vorhersagequalität und -leistung, und der wichtigste Vorteil der Merkmalsauswahl ist die geringere Rechenzeit des Klassifizierungsmodells. Im vorgeschlagenen Modell wurde der Pigeon-Algorithmus für die Merkmalsauswahlphase verwendet.

Der Pigeon-Algorithmus wurde während der Feature-Auswahlphase verwendet, um die besten Features zu finden. Die verwendete Kostenfunktion ist in Gl. angegeben. (3). Die Lösung ist eine Teilmenge ausgewählter Funktionen aus dem ursprünglichen Funktionsumfang im Hinblick auf die True-Positive-Rate (TPR), die False-Positive-Rate (FPR) und einige Funktionen. Mit dieser Fitnessfunktion werden alle Funktionen eliminiert, die sich nicht auf den TPR oder den FPR auswirken, da sie die Qualität der Lösung nicht verändern. Gleichung (3) stellt die Formel dar, die zur Bewertung der Tauben- oder Lösungsfitness30 verwendet wird.

Dabei ist N die Anzahl der ausgewählten Features, TN die Gesamtzahl der Features und a + b + c = 1.

Die Tabellen 3, 4 und 5 zeigen die besten Merkmale, die vom Pigeon-Optimierer für die Impfstoffe PFIEZER, JANSSEN und MODERNA ausgewählt wurden. Es ist zu erkennen, dass im Falle des PFIEZER-Impfstoffs einige Merkmale für alle drei Zielklassen „Tod“, „Krankenhausaufenthalt“ und „Genesen“ als signifikant angesehen werden, wie z. B. Alter, Allergien, Schmerzen, „Intensivpflege“. Andererseits wurde festgestellt, dass einige Merkmale spezifisch für eine bestimmte Zielklasse sind, wie beispielsweise die Funktion „Tachykardie“ für die Zielklasse „Tod“, die Funktion „Unnormales Gefühl“ für die Zielklasse „Genesen“ und der „SARS-CoV-2-Test“. positives Merkmal für die Klasse „Krankenhausaufenthalt“. Ebenso sind bei den JANSSEN- und MODERNA-Impfstoffen einige Merkmale für die drei Patientenzielklassen gemeinsam, während andere Merkmale für jede Zielklasse spezifisch sind.

Im vorgeschlagenen Modell werden drei Zielklassen „Todesstatus“, „Hospitalisiert“ und „Genesen“ vorhergesagt. Dabei ist zu beachten, dass sich die Klassen nicht gegenseitig ausschließen, was bedeutet, dass mehr als eine Zielklasse beim gleichen Empfänger auftreten kann . Beispielsweise könnte ein Impfstoffempfänger ins Krankenhaus eingeliefert werden und dann sterben, oder er könnte ins Krankenhaus eingeliefert werden und dann genesen. Daher wird jeweils eine Zielklasse für jeden Impfstofftyp vorhergesagt, wie in Abb. 5 beschrieben. Für jeden Impfstoff (PFIEZER, JANSSEN und MODERNA) sind die drei Zielklassen „Todesstatus“, „Hospitalisiert“ und „ „Wiederhergestellt“ werden nacheinander vorhergesagt. Das heißt, die Zielklasse „Todesstatus“ wird für den PFIEZER-Impfstoff vorhergesagt, die Zielklasse „Krankenhausaufenthalt“ wird für den PFIEZER-Impfstoff vorhergesagt und schließlich wird die Zielklasse „Genesen“ für den PFIEZER-Impfstoff vorhergesagt. Das Gleiche gilt für die Impfstoffe JANSSEN und MODERNA. Mit anderen Worten: Wie wahrscheinlich ist es, dass dieser Empfänger stirbt, ins Krankenhaus eingeliefert wird oder sich erholt, wenn PFIEZER von einem Empfänger eingenommen wird?

RNNs für die drei Zielklassen für jeden Impfstofftyp.

In diesem Abschnitt werden die Ergebnisse dieser Forschung vorgestellt. Die Experimente wurden auf einem 3-GHz-i5-Computer mit 4 GB Hauptspeicher und 64-Bit-Betriebssystem Windows 7 durchgeführt. Das Experiment wird mit der Programmiersprache Python durchgeführt.

Aus Sicht der Pharmakovigilanz für die untersuchten COVID-19-Impfstoffe bestand der Zweck dieser Studie darin, herauszufinden, welche häufigsten Nebenwirkungen bei jeder Patientenkategorie auftreten.

Die Abbildungen 6, 7 und 8 zeigen Merkmalsüberschneidungen zwischen den drei Impfstoffen für die Patientenklassen „Tod“, „Krankenhauseinweisung“ und „Genesen“. Aus den Zahlen geht hervor, dass einige Merkmale den drei Impfstoffen gemeinsam sind, während andere für jeden einzelnen von ihnen spezifiziert sind.

Zeigt Schnittmengen zwischen den drei Impfstoffen für die Zielgruppe „Todespatienten“.

Zeigt Schnittmengen zwischen den drei Impfstoffen für die Klasse „Krankenhauspatienten“.

Zeigt Schnittmengen zwischen den drei Impfstoffen für die Zielgruppe der „genesenen“ Patienten.

In der Klasse „Tod“ wurde festgestellt, dass die drei Impfstoffe sieben Merkmale gemeinsam haben (Alter_Jahre, Erythem, Allergien, Herzstillstand, zerebrovaskulärer Unfall, Bewusstlosigkeit und ofc_visit), während das Merkmal Brustbeschwerden beispielsweise spezifisch ist für nur der PFIZER-Impfstoff.

Die Abbildungen 9, 10 und 11 zeigen die Anzahl der Nebenwirkungen basierend auf ihrer Wirkung auf die Organe bei verstorbenen, hospitalisierten und genesenen Patienten nach den drei Impfungen für jede Klasse. Im Fall des PFIEZER-Impfstoffs sind die ZNS-bedingten Nebenwirkungen in allen Patientenkategorien am häufigsten als blutbedingte Nebenwirkungen. Die dritthäufigsten Nebenwirkungen bei verstorbenen, hospitalisierten und genesenen Personen sind CVS-, GIT- bzw. allergische Nebenwirkungen, Abb. 9. Im Fall des JANSSEN-Impfstoffs sind die ZNS-bedingten Nebenwirkungen in allen Patientenkategorien am häufigsten dann CVS-bedingte Nebenwirkungen im Falle von Verstorbenen und Genesenen, Abb. 10.

Anzahl der Nebenwirkungen basierend auf ihrer Wirkung auf Organe bei verstorbenen, hospitalisierten und genesenen Patienten nach der PFIEZER-Impfung.

Anzahl der Nebenwirkungen basierend auf ihrer Wirkung auf Organe bei verstorbenen, hospitalisierten und genesenen Patienten nach der JANSSEN-Impfung.

Keine Nebenwirkungen aufgrund ihrer Wirkung auf Organe bei verstorbenen, hospitalisierten und genesenen Patienten nach der MODERNA-Impfung.

Im Fall des MODERNA-Impfstoffs sind die ZNS-bedingten Nebenwirkungen bei allen Patientenkategorien am häufigsten im Vergleich zu ANS-bedingten Nebenwirkungen bei Tod und Genesung. Bei Krankenhausaufenthalten ist Blut die zweithäufigste Nebenwirkung. Die dritte häufige Nebenwirkung bei Verstorbenen und Genesenen sind kardiovaskuläre Nebenwirkungen, Abb. 11.

Unter den verschiedenen Arten von Deep-Learning-Modellen haben rekurrente neuronale Netze (RNNs) und Netzwerke mit langem Kurzzeitgedächtnis (LSTM) aufgrund ihrer Fähigkeit, Daten zu verarbeiten, große Aufmerksamkeit erlangt. In diesem Abschnitt vergleichen wir RNNs- und LSTMs-Modelle für die Klassifizierung von Patienten mithilfe eines Deep-Learning-Klassifikators. Wir werden die Stärken und Grenzen jedes Modells untersuchen und die Faktoren und verschiedenen Leistungsbewertungsmetriken wie (Genauigkeit, Rückruf, Spezifität, Präzision, F1_Score und Rechenzeit) hervorheben. Die Tabellen 6, 7 und 8 zeigen einen Vergleich zwischen RNNs- und LSTMs-Modellen für Klassifizierung der Nebenwirkungen von Patienten nach den drei Impfungen der drei Zielklassen „Todesstatus“, „Hospitalisiert“ und „Genesen“.

Die obigen Tabellen und Ergebnisse zeigen, dass das RNN-Modell LSTM in mehreren Metriken wie Genauigkeit, Erinnerung, Spezifität, Präzision und F1-Score übertraf, was auf seine überlegene Leistung bei Patientenklassifizierungsaufgaben hinweist. Andererseits ist das RNN-Modell in Bezug auf die Rechenzeit schlechter als das LSTM, und diese Einschränkung wird als Forschungspunkt für zukünftige Forschungen betrachtet.

Der RNN-Klassifikator wurde mit unterschiedlichen Werten für Batchgröße und Epochen getestet. Die Abbildungen 12, 13 und 14 zeigen den Leistungsvergleich für die Nebenwirkungen der Patienten nach den drei Impfungen hinsichtlich Genauigkeit, Erinnerung, Spezifität, Präzision und dem F1_Score der drei Zielklassen „Todesstatus“, „Hospitalisiert“ und „ Wiederhergestellt“. Es wurde beobachtet, dass die vorgeschlagene Modellleistung in den meisten Fällen besser war, wenn 50 Epochen verwendet wurden und die Stapelgröße 50 betrug. Dementsprechend sind die besten für den RNN-Klassifikator verwendeten Parameter in Tabelle 6 aufgeführt.

Leistungsvergleich für die Nebenwirkungen der Patienten nach der PFIEZER-Impfung unter Verwendung einer unterschiedlichen Anzahl von Epochen und unterschiedlicher Pflastergröße, wobei E für die Anzahl der Epochen und B für die Chargengröße steht. (a) Klassifizierung verstorbener Patienten. (b) Klassifizierung hospitalisierter Patienten. (c) Klassifizierung genesener Patienten.

Leistungsvergleich für die Nebenwirkungen der Patienten nach der JANSSEN-Impfung unter Verwendung einer unterschiedlichen Anzahl von Epochen und einer unterschiedlichen Pflastergröße, wobei E die Anzahl der Epochen und B die Chargengröße darstellt. (a) Klassifizierung verstorbener Patienten. (b) Klassifizierung hospitalisierter Patienten. (c) Klassifizierung genesener Patienten.

Leistungsvergleich für die Nebenwirkungen der Patienten nach MODERNA unter Verwendung einer unterschiedlichen Anzahl von Epochen und einer unterschiedlichen Patchgröße, wobei E die Anzahl der Epochen und B die Chargengröße darstellt. (a) Klassifizierung verstorbener Patienten. (b) Klassifizierung hospitalisierter Patienten. (c) Klassifizierung genesener Patienten.

Unter Verwendung der in Tabelle 9 angegebenen RNN-Klassifikatorparameter wird beobachtet, dass das vorgeschlagene Modell die höchsten Genauigkeits-, Erinnerungs-, F1_Score-, Spezifitäts- und Präzisionswerte für das Klassenziel „Todesstatuen“ bei der PFIEZER-Impfung mit einem Genauigkeitswert von 96,03 % liefert Wie in Abb. 15 dargestellt. Bei der JANSSEN-Impfung zeigte Abb. 16, dass die Zielgruppe „Krankenhauseingelieferte“ mit einer Genauigkeit von 94,7 % die höchste Leistung aufweist. Und schließlich weist das Modell die beste Leistung für die Klasse „Genesene“ bei der MODERNA-Impfung mit einer Genauigkeit von 97,794 % auf, wie in Abb. 17 dargestellt.

Leistungsvergleich der Nebenwirkungen der Patienten nach der PFIEZER-Impfung für jede Klasse.

Leistungsvergleich der Nebenwirkungen der Patienten nach JANSSEN-Impfung für jede Klasse.

Leistungsvergleich der Nebenwirkungen der Patienten nach MODERNA-Impfung für jede Klasse.

Der Verlustvergleich für die Validierungs- und Trainingsdatensätze der Nebenwirkungen der Patienten nach PFIEZER-, JANSSEN- und MODERNA-Impfung für jede Klasse ist in den Abbildungen dargestellt. 18, 19 und 20. Ein ähnlicher Genauigkeitsvergleich für die Validierungs- und Trainingsdatensätze der Nebenwirkungen der Patienten nach PFIEZER-, JANSSEN- und MODERNA-Impfung für jede Klasse ist in den Abbildungen dargestellt. 21, 22 und 23.

Verlustvergleich für die Validierungs- und Trainingsdatensätze der Nebenwirkungen der Patienten nach der PFIEZER-Impfung. (a) Modellverlust für verstorbene Patienten. (b) Modellverlust für Krankenhauspatienten. (c) Modellverlust für genesene Patienten.

Verlustvergleich für die Validierungs- und Trainingsdatensätze der Nebenwirkungen der Patienten nach der JANSSEN-Impfung. (a) Modellverlust für verstorbene Patienten. (b) Modellverlust für Krankenhauspatienten. (c) Modellverlust für genesene Patienten.

Verlustvergleich für die Validierungs- und Trainingsdatensätze der Nebenwirkungen der Patienten nach der MODERNA-Impfung. (a) Modellverlust für verstorbene Patienten. (b) Modellverlust für Krankenhauspatienten. (c) Modellverlust für genesene Patienten.

Genauigkeitsvergleich für die Validierungs- und Trainingsdatensätze der Nebenwirkungen der Patienten nach der PFIEZER-Impfung. (a) Genauigkeit für verstorbene Patienten. (b) Modellgenauigkeit für Krankenhauspatienten. (c) Modellgenauigkeit für genesene Patienten.

Genauigkeitsvergleich für die Validierungs- und Trainingsdatensätze der Nebenwirkungen der Patienten nach der JANSSEN-Impfung. (a) Genauigkeit für tote Patienten. (b) Modellgenauigkeit für Krankenhauspatienten. (c) Modellgenauigkeit für genesene Patienten.

Genauigkeitsvergleich für die Validierungs- und Trainingsdatensätze der Nebenwirkungen der Patienten nach der MODERNA-Impfung. (a) Genauigkeit für tote Patienten. (b) Modellgenauigkeit für Krankenhauspatienten. (c) Modellgenauigkeit für genesene Patienten.

Nicht zuletzt können solche Methoden angesichts der Entwicklung von Impfstoffen mit begrenzter Anfangsmenge nützlich sein, um Hochrisikopatienten für Erstimpfkampagnen zu identifizieren. Die Aufklärung der Öffentlichkeit über die Sicherheit von Impfstoffen ist für die öffentliche Gesundheit und laufende und zukünftige groß angelegte Impfkampagnen von entscheidender Bedeutung. Die erhaltenen Ergebnisse werden bei Pharmakovigilanz- und Arzneimittelsicherheitsansätzen dabei helfen, den besten Impfstoff basierend auf der Krankengeschichte des Patienten auszuwählen.

Ein Wilcoxon-Signed-Rank-Test wurde durchgeführt, um festzustellen, ob ein statistisch signifikanter Unterschied zwischen dem vorgeschlagenen Modell unter Verwendung von RNN und dem LSTM-Modell besteht. Der Wilcoxon Signed Rank-Test ist ein nichtparametrischer statistischer Test, der zum Vergleich zweier verwandter Stichproben verwendet wird. Es wird häufig verwendet, um festzustellen, ob ein signifikanter Unterschied zwischen zwei Methoden oder Behandlungen besteht, die auf dieselbe Gruppe von Probanden angewendet werden. Der Test ist besonders nützlich, wenn die Annahme der Normalität nicht erfüllt ist oder die Stichprobengröße klein ist. Die Nullhypothese des Tests besagt, dass es keinen Unterschied zwischen den Populationsmedianen der beiden Stichproben gibt, und die Alternativhypothese besagt, dass die Mediane nicht gleich sind. Liegt der p-Wert unter dem Signifikanzniveau (normalerweise 0,05), wird die Nullhypothese verworfen und es wird der Schluss gezogen, dass zwischen den beiden Stichproben ein signifikanter Unterschied besteht31. Die deskriptive Statistik für die beiden Modelle zeigte, dass RNN eine höhere mittlere Genauigkeit aufwies als das LSTM-Modell, wobei die mittlere Genauigkeit des LSTM-Modells 86,197778 (SD = 6,2431678) und die mittlere Genauigkeit des RNN-Meodels 91,941778 (SD = 4,9613537) betrug siehe Tabelle 10.

Der Wilcoxon-Signed-Rank-Test ergab, dass das RNN-Modell einen höheren mittleren Rang (mittlerer Rang = 3,00) als das LSTM-Modell hatte, was auf einen signifikanten Unterschied zwischen den beiden Modellen hinweist. Darüber hinaus gab es einen signifikanten Unterschied in der Genauigkeit zwischen dem LSTM- und dem RNN-Modell (Z = − 2,312, p = 0,021 zweiseitig). Der negative Z-Wert legt nahe, dass Accuracy_RNN statistisch signifikant niedriger ist als Accuracy_Lstm. Der p-Wert von 0,021 weist darauf hin, dass die Wahrscheinlichkeit, einen so großen Unterschied zwischen den beiden Modellen allein durch Zufall zu beobachten, bei 2,1 % liegt und dass dieser Unterschied auf dem 0,05-Niveau statistisch signifikant ist. Tabelle 11: Fassen Sie die Ergebnisse des Wilcoxon-Signed-Rank-Tests für die RNN- und LSTM-Modelle zusammen.

In dieser Arbeit wurde ein DL-basiertes Modell entwickelt, um die Nebenwirkungen von Covid-19 nach der Impfung von drei Impfstoffen (PFIEZER, JANSSEN und MODERNA) zu untersuchen. Es werden nur drei Kategorien berücksichtigt: Sterbestatus, Krankenhausaufenthalt und Genesen.

Aufgrund der erzielten Genauigkeit können wir den Schluss ziehen, dass das vorgeschlagene Modell ein vielversprechendes Modell zur Identifizierung des Zusammenhangs zwischen der Art des COVID-19-Impfstoffs und den Nebenwirkungen ist, die bei Patienten nach der Impfung auftreten.

Basierend auf der geleisteten Arbeit werden einige wichtige Punkte wie folgt zusammengefasst:

Daraus lässt sich schließen, dass bestimmte Nebenwirkungen bei Patienten je nach Art der COVID-19-Impfstoffe verstärkt waren.

Nebenwirkungen im Zusammenhang mit dem ZNS und dem hämatopoetischen Modell waren bei allen Arten von COVID-19-Impfstoffen hoch.

Die Analyse des Verhältnisses der Nebenwirkungen, die je nach Art des COVID-19-Impfstoffs bei hospitalisierten Personen häufiger festgestellt wurden als bei genesenen Personen.

Die Zahl der Allergien und kardiovaskulären Nebenwirkungen steigt nach der Impfung mit dem PFIZER-Impfstoff.

Nach der Impfung mit dem JANSSEN-Impfstoff nimmt die Zahl der Magen-Darm-Trakt- und Blutnebenwirkungen zu.

Nach der Impfung mit dem MODERNA-Impfstoff steigt die Zahl der Blut- und Allergienebenwirkungen.

Wie bereits dargestellt, ist die Literatur sehr reich an COVID-19-Forschung und deren Zusammenhang mit verschiedenen wissenschaftlichen Bereichen. Die meisten Arbeiten, insbesondere solche mit KI-Anwendungen, befassten sich jedoch mit der Vorhersage oder Diagnose von COVID-19, indem entweder der aktuelle Zustand und die Symptome des Patienten als Merkmale oder die Röntgenaufnahme des Brustkorbs zur Diagnose der Krankheit herangezogen wurden. Nach unserem besten Wissen ist dies die erste Studie, die DL verwendet, um die Nebenwirkungen vorherzusagen, die bei einem Patienten nach der COVID-19-Impfung auftreten können, was auch erhebliche Auswirkungen auf die Bedenken im Zusammenhang mit der COVID-19-Impfung für die öffentliche Gesundheit haben wird auf der Ebene der Einnahme einer Primärdosis, der Einnahme einer Auffrischungsdosis der bereits zugelassenen Impfstoffe oder für diejenigen, die sich noch in der präklinischen, ersten, zweiten und dritten Impfstoffentwicklungsphase befinden, und wird in naher Zukunft eingeführt.

Es besteht weiterhin die Notwendigkeit, mehr Informationen über COVID-19 zu erhalten. Die Zukunft schlug vor, den Zusammenhang zwischen den Nebenwirkungen von COVID-19-Impfstoffen und anderen von der WHO zugelassenen Impfstoffen zu ermitteln, um die Schwere der Verabreichung beider Therapien bei einem bestimmten Patienten zu minimieren. Die Anwendung eines anderen DL-Modells auf das untersuchte Problem mit einer zufriedenstellenden Rechenzeit kann die Vorhersagegenauigkeit verbessern und kann als neuer Punkt für zukünftige Forschung betrachtet werden.

Die während der aktuellen Studie generierten und/oder analysierten Datensätze sind im [vaers]-Repository verfügbar, [https://vaers.hhs.gov/data/datasets.html]. In dieser Studie werden weder Menschen noch Tiere untersucht. Bei den Daten handelt es sich um öffentliche Daten.

https://www.who.int/ (Zugriff September 2022).

https://www.mayoclinic.org/diseases-conditions/coronavirus/in- Depth/different-types-of-covid-19-vaccines/art-20506465 (Zugriff im September 2022).

Heidary, M. et al. Eine umfassende Übersicht über die Proteinuntereinheiten-Impfstoffe gegen COVID-19. Vorderseite. Mikrobiol. 14(13), 927306 (2022).

Artikel Google Scholar

Jiang, L. et al. Eine adaptive verankerte Nachbarschaftsregressionsmethode zur medizinischen Bildverbesserung. Multimed. Werkzeuge Appl. 79, 10533–10550 (2020).

Artikel Google Scholar

Arel, I., Rose, DC & Karnowski, TP Tiefes maschinelles Lernen – eine neue Grenze in der Forschung zu künstlicher Intelligenz. IEEE Comput. Intel. Mag. 5(4), 13–18 (2020).

Artikel Google Scholar

Rizk, Y., Hajj, N., Mitri, N. & Awad, M. Deep-Believe-Netzwerke und kortikale Algorithmen: Eine vergleichende Studie zur überwachten Klassifizierung. Appl. Berechnen. Informieren. 15(2), 81–93 (2019).

Artikel Google Scholar

Askr, H. et al. Deep Learning in der Arzneimittelforschung: Ein integrativer Überblick und zukünftige Herausforderungen. Artif. Intel. Rev. 56, 1–63 (2022).

Google Scholar

Arora, N., Banerjee, AK & Narasu, ML Die Rolle künstlicher Intelligenz bei der Bekämpfung von COVID-19. Fut. Virol. https://doi.org/10.2217/fvl-2020-0130 (2020).

Artikel Google Scholar

Weltgesundheitsorganisation. Coronavirus-Krankheit 2019 (COVID-19): Lagebericht. 156. www.who.int/docs/default.source/coronaviruse/situation-reports/20200624-covid-19-sitrep-156.pdf?sfvrsn=af42e4802 (2020).

Kim, J.-M. et al. Identifizierung des Coronavirus, das von einem Patienten in Korea mit COVID-19 isoliert wurde. Osong Public Health Res. Perspektive. 11(1), 3–7 (2020).

Artikel PubMed PubMed Central Google Scholar

Guan, W. et al. Klinische Merkmale der Coronavirus-Krankheit 2019 in China. N. engl. J. Med. 382(18), 1708–1720 (2020).

Artikel CAS PubMed Google Scholar

Ruan, S. Überlebenswahrscheinlichkeit der Coronavirus-Krankheit 2019. Lancet Infect. Dis. 20(6), 630–631 (2020).