U protekle dvije godine gotovo svi smo se upoznali s nekim oblikom testiranja na COVID-19. Bilo da se radilo o molekularnom (PCR), brzom antigenskom testu (traži prisutnost specifičnih SARS-CoV-2 virusnih proteina) ili nekom serološkom testu (koji otkriva prisutnost antitijela u krvi). Svi testovi u uzorku (slini ili krvi) traže prisutnost određenih supstanci (antitijela ili viralnog RNA samog virusa), no znanstvenici do sad nisu proučavali postoji li povezanost između određenih simptoma COVID-19 i pozitivnog testa na prisutnost virusa u tijelu.
Zato su se znanstvenici sa Sveučilišta Florida Atlantic posvetili upravo tom pitanju i, pomoću strojnog učenja, uspjeli razviti model koji, na temelju simptoma i dodatnih referenci, može predvidjeti hoće li neki test biti pozitivan na COVID-19 ili ne.
Razvili su pet algoritama za klasifikaciju i predviđanje rezultata testa na COVID-19 te stvorili točan prediktivni model koristeći simptome, broj dana od pojave simptoma, dob i spol testirane osobe.
Studija, objavljena u časopisu Smart Health, pokazala je da modeli strojnog učenja mogu pomoći u predviđanju infekcija koronavirusom. Rezultati su otkrili koje su ključne značajke simptoma povezane s infekcijom COVID-19, što bi moglo osigurati brzo i jeftino otkrivanje infekcije u svijetu.
Molekularni testovi ovise o virusnom opterećenju, a serološki testovi ovise o serokonverziji, što je razdoblje tijekom kojeg tijelo počinje proizvoditi mjerljive razine antitijela. Oba ova testa ovise o vremenu, rekao je Xingquan “Hill” Zhu, Ph.D., viši autor i profesor na FAU-ovom Odjelu za elektrotehniku i računarstvo . Naši rezultati sugeriraju da je broj dana nakon simptoma vrlo važan za pozitivan test na COVID-19 i treba ga pažljivo razmotriti prilikom pregleda pacijenata.
U studiji su istraživači koristili rezultate testova 2467 ispitanika, od kojih je svaki testiran pomoću jedne ili više vrsta testova na COVID-19.
Budući da COVID-19 proizvodi širok raspon simptoma i da je proces prikupljanja podataka u biti sklon pogreškama, grupirali smo slične simptome, rekao je Zhu. Bez standardizacije izvješćivanja o simptomima, broj značajki simptoma uvelike se povećava. Kako bismo se borili protiv toga, upotrijebili smo ovaj pristup grupiranja, koji je uspio smanjiti broj značajki simptoma, a zadržati informacije o značajkama uzorka.
U konačnici, korištenje prediktivnih modela koji su nastali od pet algoritama strojnog učenja, postigli su točnost od oko 80 posto. Time su ujedno dokazali da su simptomi zaista od pomoći prilikom predviđanja ishoda testa na COVID-19.
Otkrili su da broj dana u kojima se javljaju simptomi kao što su groznica i otežano disanje igra veliku ulogu u rezultatima testa na COVID-19. Također, otkrili su da molekularni testovi imaju kraći period detekcije zaraze nakon pojave simptoma (između tri do osam dana), u usporedbi sa seroloških testova (između pet do 38 dana). U prijevodu molekularni test (PCR) ima najnižu stopu pozitivnih rezultata jer mjeri trenutnu infekciju.
Zhu i njegovi kolege nadaju se da bi kombinacija njihovih prediktivnih modela i testiranja mogla olakšati detekciju zaraze u budućnosti.
