L’intelligence artificielle peut aider les patients à interpréter les tests à domicile pour le COVID-19

Une nouvelle recherche sur l’apprentissage automatique dirigée par le professeur Farrokh Alemi et le professeur Janusz Wojtusiak de l’Université George Mason offre aux patients et aux cliniciens un moyen de mieux prédire si les symptômes sont dus au COVID-19, à la grippe ou au VRS.

Un diagnostic plus précis conduit à de meilleures décisions sur le parcours de soins pour guérir les patients et empêcher la propagation de la maladie. Avec leurs collègues chercheurs de l’Université George Mason et Vibrent Health, Alemi et Wojtusiak ont ​​récemment publié une série d’articles dans une édition spéciale du Journal de la gestion de la qualité dans les soins de santé discuter de la façon dont l’intelligence artificielle (IA) peut aider au diagnostic du COVID à partir d’une combinaison de les symptômes et essais à domicile.

Grâce à leurs recherches, Alemi et Wojtusiak travaillent actuellement sur un site Web pour fournir une ressource basée sur l’IA pour aider les individus à identifier les actions recommandées en fonction de leur profil clinique et des résultats des tests COVID à domicile.

“Nous voyons l’IA travailler pour améliorer radicalement le triage clinique et les décisions de test pour traiter”, a déclaré Wojtusiak.

Alemi a ajouté : « L’IA permettra aux individus de se sentir plus confiants quant à leurs décisions de rester à la maison, de se faire soigner ou de s’isoler socialement. les symptômes et les résultats des tests à domicile ne concordent pas ? Notre IA aidera ces personnes à comprendre comment procéder. »

L’étude dans l’article 1 (comme indiqué ci-dessous) a révélé que le moment des symptômes est important dans un diagnostic de COVID. Par exemple, un nez qui coule car un symptôme précoce augmentait les chances d’être testé positif au COVID, et un nez qui coule en tant que symptôme survenu plus tard diminuait les chances. De même, la fièvre est presque toujours un symptôme tardif, donc l’absence de fièvre au début ne doit pas être utilisée pour exclure le COVID.

Les résultats de l’article 2 ont révélé que le COVID ne peut pas être diagnostiqué à partir de symptômes individuels ; cependant, un groupe de trois symptômes ou plus peut aider au diagnostic. Les résultats de l’article 4 ont révélé que la précision du diagnostic des symptômes du COVID était la plus élevée lorsque des symptômes de différents symptômes corporels étaient présents. Par exemple, une combinaison de symptômes neurologiques et respiratoires courants était plus diagnostique que l’un ou l’autre des ensembles de symptômes pris individuellement. De plus, COVID a des présentations différentes selon l’âge, la gravité de la maladie et les mutations virales.

L’article 3 explique comment un dépistage des symptômes de l’IA pourrait améliorer – et pour les personnes vaccinées remplacer – les tests antigéniques à domicile. Les tests à domicile ne sont pas toujours précis et nécessitent un examen clinique, mais ces tests sont effectués à domicile lorsqu’un tel examen n’est pas disponible. Le dépistage des symptômes de l’IA peut aider à rendre ces tests plus précis. L’étude rapporte que le dépistage des symptômes de l’IA est plus précis que de passer un deuxième test à domicile.

Les quatre articles publiés dans le supplément spécial sont :

1. Ordre d’apparition des symptômes de la COVID-19
2. Le rôle des grappes de symptômes dans le triage des patients COVID-19
3. Dépistage des symptômes et tests à domicile combinés pour la COVID-19
4. Lignes directrices pour le triage des patients COVID-19 présentant des symptômes multisystémiques

Un cinquième article, intitulé Modeling the Probability of COVID-19 Based on Symptom Screening and Prevalence of Influenza and Influenza-Like Illnesses, du même groupe de chercheurs a également été publié dans le Journal de la gestion de la qualité dans les soins de santé en avril/juin 2022.

Alemi était l’enquêteur principal de Mason. Mason était un sous-traitant de Vibrent Health, où Praduman Jain était le chercheur principal du projet. (Jain est membre du conseil consultatif du Mason’s College of Public Health.) D’autres chercheurs affiliés à Mason sur ces projets incluent la professeure agrégée Amira Roess, le membre affilié du corps professoral Jee Vang, la doctorante Elina Guralnik et l’ancien étudiant et professeur auxiliaire Wejdan Bagais. Rachele Peterson et Josh Schilling de Vibrent Health et F. Gerard Moeller de Virginia Commonwealth University faisaient également partie de l’équipe de recherche.

Les méthodes utilisées dans ces cinq articles varient. Dans l’article 4, les chercheurs ont mené une méta-analyse de la littérature, en utilisant les données d’articles publiés. Dans les autres articles, les chercheurs ont interrogé des patients qui ont passé un test PCR et ont examiné la relation entre les symptômes des patients et les résultats du test PCR. La plupart des recherches ont été effectuées à l’aide de données collectées entre octobre 2020 et janvier 2021, avant les variantes actuelles telles que BA.5 ou BQ.1.

Les publications précédentes et connexes de ces chercheurs comprennent une étude examinant comment les ordinateurs peuvent faire la distinction entre le COVID-19 et la grippe et une analyse des étudiants universitaires symptomatiques et de la distanciation sociale.