公衆衛生上の懸念と新型コロナウイルスに対するためらいに対するディープラーニング予測モデル

Scientific Reports volume 13、記事番号: 9171 (2023) この記事を引用

4 オルトメトリック

メトリクスの詳細

パンデミックの時代を通じて、新型コロナウイルス感染症は過去数年間の驚くべき予期せぬ事態の一つでしたが、取り組みと知識の分散化とグローバル化により、成功したワクチンベースの制御戦略が効率的に設計され、世界中で適用されました。その一方で、言い訳された混乱やためらいは公衆衛生に広く影響を与えています。この論文は、患者の病歴を考慮して、新型コロナウイルス感染症ワクチンへの躊躇を減らすことを目的としている。この研究で使用されるデータセットは、ワクチン有害事象報告システム (VAERS) データセットです。このデータセットは、食品医薬品局 (FDA) と疾病管理予防センター (CDC) の共同体として、報告された可能性のある副作用を収集するために作成されました。 PFIEZER、JANSSEN、MODERNA のワクチンによって引き起こされます。この論文では、特定の種類の新型コロナウイルス感染症ワクチン (PFIEZER、JANSSEN、MODERNA) とワクチン接種患者に発生する可能性のある副反応との関係を特定するために、深層学習 (DL) モデルが開発されました。研究中の副作用は回復状況、入院の可能性、死亡状況など。提案されたモデルの最初のフェーズでは、データセットが事前処理されていますが、第 2 フェーズでは、ハトの群れ最適化アルゴリズムを使用して、提案されたモデルのパフォーマンスに影響を与える最も有望な特徴を最適に選択します。ワクチン接種後の患者の状態データセットは、3 つのターゲットクラス (死亡、入院、回復) にグループ化されます。第 3 フェーズでは、リカレントニューラルネットワーク (RNN) が各ワクチンタイプと各ターゲットクラスの両方に実装されます。結果は、提案されたモデルが PFIEZER ワクチン接種の場合の死亡対象クラスに対して 96.031% という最高の精度スコアを与えることを示しています。 JANSSEN ワクチン接種中、入院対象クラスは 94.7% の精度で最高のパフォーマンスを示しました。最後に、このモデルは、MODERNA ワクチン接種の回復されたターゲットクラスに対して、97.794% の精度で最高のパフォーマンスを示します。精度とウィルコクソン符号付きランク検定に基づいて、提案されたモデルは、新型コロナウイルス感染症ワクチンの副作用とワクチン接種後の患者の状態との関係を特定するのに有望であると結論付けることができます。この研究では、新型コロナウイルス感染症ワクチンの種類に応じて、患者において特定の副作用が増加することが示された。 CNSおよび造血系に関連する副作用は、研究されたすべての新型コロナウイルス感染症ワクチンで高い値を示しました。精密医療の枠組みにおいて、これらの発見は、医療スタッフが患者の病歴に基づいて最適な新型コロナウイルス感染症ワクチンを選択するのに役立ちます。

ワクチンを開発するにはいくつかのアプローチがあります。使用されるウイルスの割合が異なります。世界保健機関 (WHO)1 によると、1 つのアプローチはウイルス全体または細菌全体を使用するアプローチ (微生物全体アプローチなど) であり、別のアプローチは体の免疫系を引き起こすウイルスの一部のみを使用するアプローチ (サブユニットアプローチなど) またはウイルスのみを使用するものです。遺伝的アプローチ（核酸ワクチン）など、特定のタンパク質を作成するために必要な指示を提供する遺伝物質。

一部の COVID-19 ワクチンは、Pfizer-BioNTech や Moderna2 など、遺伝子組み換え型のメッセンジャー RNA（mRNA）を使用しています。新型コロナウイルス感染症 (COVID-19) の構造を詳しく見ると、ウイルスの表面が S 糖タンパク質と呼ばれるスパイク状の構造をしていることが容易にわかります。このようなmRNAが新型コロナウイルス感染症mRNAワクチンを通じて体内に入ると、レシピエントの体細胞に無害なSタンパク質断片を生成するよう命令する。一方、他の新型コロナウイルスワクチンは、アストラゼネカ、ヤンセン、ガマレヤなど、SARS-CoV-2のスパイク遺伝子をアデノウイルスなどの他のウイルスベクターに組み換えることに依存するベクターベースのワクチンであると考えられている。ウイルスベクターベースの SARS-CoV-2 ワクチンには、SARS-CoV-2 およびウイルスベクターウイルスに対する病原性はありません。

Novavax や Biological E などのアジュバントサブユニットワクチンは、主にアジュバント 3 と関連付けられた SARS-CoV-2 のより免疫原性の高い S 糖タンパク質の使用に基づいて設計されています。このタイプのワクチンは、免疫系が S タンパク質を認識すると、抗体と防御的な白血球を生成します。タンパク質サブユニットの新型コロナウイルス感染症（COVID-19）ワクチンは生ウイルスを使用しないため、身体を新型コロナウイルス（COVID-19）ウイルスに感染させることはできません。タンパク質の断片は、DNA が保存されている体細胞の核にも入りません。 Sinopharm、Sinovac Biotech、Bharat Biotech などの不活化ワクチンは、中国、インド、および多くの発展途上国で広く使用されています。このタイプのワクチンは、アジュバント添加された不活化ウイルス全体に依存します。

人工知能 (AI) は、機械が人間の行動を再現できるようにする技術であり、学習に基づいて意思決定を行うことができる人間の脳の機能モデルを作成することを目的としています4。 ML は、統計的手法を利用して、時間をかけて学習し、開発する能力を機械に提供する AI の一分野です。これには幅広いアプリケーションが含まれており、クラスタリング、ベイジアンネットワーク、デシジョンツリー、DL5 などの他の技術も作成されています。 DL は、ニューラルネットワークの概念にインスピレーションを与えた、脳細胞の動作方法を模倣する特定のタイプの ML です6。

DL は、ヘルスケアや創薬分野を含む多くの実生活分野で有望な AI サブフィールドであることが証明されています。最近、DL の進歩により、広範囲の製薬業界が AI ベースの手法に移行しています。 DL モデルはさまざまなサイズや形状で利用でき、従来の方法では複雑すぎて処理できない問題を効率的な方法で解決できます7。

新型コロナウイルス感染症（COVID-19）ワクチンには、軽度の副作用から深刻な災害への影響まで、依然として多くの指摘や制限が存在する。新型コロナウイルス感染症（COVID-19）災害と闘うための世界中でのワクチン接種の必要性を踏まえ、この論文の目的は、3つの新型コロナウイルス感染症ワクチンの副作用と患者の種類との関係を調べることである。ここでは患者を 3 つのクラス (死亡、入院、回復) に分類しました。 DL を活用することで、すべてのクラスに対する副作用の関係が判明しました。

新型コロナウイルス感染症（COVID-19）ワクチンは世界的に大流行している病気であるため、特にその副作用を理解する必要があることから、本研究は、新型コロナウイルス感染症（COVID-19）ワクチンの種類（3ワクチン）と発生する副作用との関係を検討することを目的としています。彼ら。このアプローチは DL モデルを利用して実装されました。ここでは患者を 3 つのクラス (死亡、入院、回復) に分類しました。 DLを活用することで、あらゆるクラスに対する副作用の関係を明らかにすることを目指します。

この文書の主な貢献は次のように要約されます。

私たちの知る限り、これは、新型コロナウイルス感染症ワクチン接種後に患者が経験する可能性のある悪影響を予測するためにDLを使用した最初の研究であり、これは新型コロナウイルス感染症ワクチンに関連する公衆衛生上の懸念に顕著な影響を与えると考えられます。

このような研究は、医師や製薬会社が患者の病歴に応じてワクチンを選択するための指針となるだろう。さらに、この研究は、そのようなワクチンに関するより多くの薬事監視情報を追加します。

提案されたモデルのパフォーマンスに影響を与える最も重要な機能は、「Pigeon アルゴリズム」を使用して最適化されます。

現在の研究では、新型コロナウイルス感染症ワクチンの副作用と副作用の効率的な予測方法を見つけ出すことを試みたが、これはその役割により、以前に議論された新型コロナウイルス感染症ワクチン接種後の混乱した状況に直面する非常に有用なツールとなるだろう。

論文の構成は以下のように構成されています。「文献レビュー」セクションでは関連研究のレビューを紹介します。宗派。「基本と背景」では予備的な背景を説明します。「提案モデル」セクションでは、提案されたフレームワークを示します。「実験結果」セクションでは結果について説明します。最後に、セクション。「結論」は論文の結論を示します。

このセクションでは、この論文で調査した問題に関するこれまでの研究の概要を示します。

中国の湖北省武漢市では、2019年12月に新型コロナウイルスの集団感染が発生した。最初に診断された患者の大部分は、生きた動物を屠殺して販売する場所である「生鮮市場」の近くで見つかった。この市場は、ウイルスが急速に中国の領土や他の地域、さらには世界 213 か国に拡散する拡大ホットスポットとして機能した可能性があります8。

2020 年 2 月 11 日、世界保健機関 (WHO) は、この病気を「コロナウイルス病 2019」の頭字語である COVID-19 と定義しました。2020 年 8 月 17 日の時点で、世界中で 76 万 1,000 人の死亡者と 2,120 万人の感染者が確認されています9。 - 報告によると、確認された感染者数が中国を上回っている米国、インド、ブラジル、ロシアでは19のシナリオが発生している。現在の新型コロナウイルス感染症の流行は、WHOによって2020年1月30日に「国際的に懸念される公衆衛生上の緊急事態」に分類され、2020年3月11日に「パンデミック」に分類された。

SARS-CoV-2 は人獣共通感染症のベータコロナウイルスであり、感染爆発によって個人に感染します。これは、サルベコウイルス亜属およびコロナウイルス科のオルソコロナウイルス亜科のメンバーです。 SARS-CoV-2 の宿主動物はコウモリであると予想されているが、別の考えられる中間動物宿主はまだ不明である。ウイルスは、サイズ 70 ～ 90 nm の球形の粒子です10。その表面から突き出た糖タンパク質のスパイクは、細胞のアンジオテンシン変換酵素 2 受容体に結合します。このウイルスは、「コロナウイルス」という名前の由来となったこれらのスパイクのため、王冠に似ています。

この新興ウイルスは、SARS-CoV (9.6%) や MERS-CoV (34.4%) よりも致死率 (2.9%) がはるかに低いにもかかわらず、他のコロナウイルスと比較してその高い伝播率が世界中で懸念を引き起こしています。糖尿病、高血圧、がん、心血管疾患、慢性呼吸器疾患などの基礎疾患の影響を受けることに加えて、新型コロナウイルス感染症の致死率は年齢とともに変化します11、12、13。

パンデミックの発生により、集団免疫を生み出し、新型コロナウイルス感染症の有害な影響を軽減するためのワクチンの発見と開発競争が勃発した。ワクチンを作成するために行われている研究は現在確立されており、結果が示されていることが証明されています。特定のワクチン接種候補者が立派な結果をもたらしたことを受けて、各国での展開が開始されています14。

世界的な流通許可に達するすべてのワクチン候補は、前臨床動物実験および実験室ベースの実験を経た後、4段階の臨床試験を通過する必要があります。第 1 相試験は、ワクチン候補が人体臨床試験に入る前に実施され、ワクチンの安全性を評価し、用量を設定し、限られた参加者サンプルにおける潜在的な副作用や有害作用を早期に明らかにします。第 2 相試験では、より大規模なグループを対象とした有効性の調査が開始され、安全性の調査が継続されます。実質的に数百人または数万人の患者が参加する第 3 相試験に到達するワクチンはほとんどありません。これらの研究は、ワクチンの有効性を検証および評価し、まれな副作用が大規模な集団でのみ発現するかどうかを調べるために使用されます。最終段階である第 4 相試験は、国の規制当局の許可を得た後に実施され、大規模な集団を対象とした広範な市販後調査が含まれます。国内で承認されたワクチンのすべてが第4開発段階にあるわけではありません。緊急使用許可を与える場合、多くの国の規制当局は、さまざまな臨床試験段階からの多様な形式の証拠に依存して、独自の法律とスケジュールに従います。第 3 相研究が終了する前であっても、一部の国の規制当局、特にロシアと中国の規制当局は、（限定的または広範な）公共使用を目的としたワクチンの認可を開始しました15。

現在、約 330 の新型コロナウイルス感染症ワクチン候補が開発中です。 194人が前臨床試験、42人が第1相試験、44人が第2相試験、40人が第3相試験、10人が第4相試験中である。前述の開発中のワクチンのうち、24 種類が実際に使用され、一般に提供されていることに言及する価値があります。これらすべてのワクチンは 4 つの主要なカテゴリに分類できます。不活化全細胞ワクチン、タンパク質サブユニットワクチン、ウイルスベクターワクチン、および核酸（RNAまたはDNA）ワクチン。最も有力で一般的に流通しているものは、RNA PFIZER/BioNTech (ドイツ)、MODERNA (米国)、およびウイルスベクター JANSSEN/JOHNSON&JOHNSON (米国) によって製造されたものです16。

タリク・アラフィフら参考文献 17 では、新型コロナウイルス感染症 (COVID-19) の診断のために実施された ML および DL ベースの研究を調査しました。著者らは、使用できる公開されているデータセットも検討しました。彼らの調査では、使用されている ML と DL のほとんどの最先端のアプローチに光が当てられ、潜在的な課題と将来の方向性がまとめられています。 M.アリら。参考文献 18 では、ML が Covid-19 パンデミックの理解にどのように深く影響したかを研究するための別の調査を紹介しました。調査はX線画像やCTスキャンを使ったウイルス診断に焦点を当てた。この調査では、パンデミックの将来のシナリオも提供されています。

Zhoe et al.19 は、新型コロナウイルス感染症 (COVID-19) の CT 検査に CNN を採用しました。彼らは、CT画像上で事前に訓練されたさまざまなモデルのパフォーマンスを検証し、臨床医師がさらなる手動スクリーニングを行う際に役立つ新しい視覚的指標を探索できると結論付けました。

ハトマルら。参考文献 20 では、Covid-19 と診断された患者に必要な入院治療のレベルを予測する精度を比較するために、いくつかの ML モデルを分析しました。彼らは特徴選択とオーバーサンプリング技術を適用し、その実験結果は、年齢と性別が前述の予測問題において最も重要な変数であることを示しました。患者は、通常の入院または集中治療室への入院が必要であるかのように分類されます。

Bai et al.21. 米国と中国の11の異なる病院から、非新型コロナウイルス肺炎またはRT-PCR検査で新型コロナウイルス肺炎と確認された患者1,186人のCTスキャンを収集した。彼らは、新型コロナウイルス感染症と非新型コロナウイルス肺炎を区別するための深層学習モデルを開発しました。その後、著者らはこのモデルを放射線科医に提供し、このモデルにより、放射線科医による新型コロナウイルス肺炎と非新型コロナウイルス肺炎の区別における診断精度が 85% から 90% に大幅に向上したことを実証しました。

エルナンデス-ペレイラ E. 他参考文献22では、患者の病歴と人口統計データに基づいて、特定のCovid-19患者が生存する可能性が高いか死亡する可能性が高いかを予測できるMLモデルを提示しました。彼らはメキシコで感染が確認された患者と感染が疑われる患者のデータセットを使用した。彼らは、提案したモデルが高リスク患者を特定し、タイムリーな治療と入院を改善できることを証明しました。チャダガhttps et al. 参考文献 23 では、既存の ML および DL 方法論と、それらがどのようにして COVID-19 への理解を深め、新型コロナウイルスの発生を回避できるかを調査しました。

別の研究は、KSA24、ダンマームのキング・ファハド大学病院で実施されました。この研究は、DL モデルで臨床患者データと胸部 X 線画像を統合することで、新型コロナウイルス感染症 (COVID-19) の診断を自動化することを目的としています。使用されたデータには、合計 270 件の患者記録が含まれています。実験は、最初に臨床データを使用して実行され、次に胸部 X 線写真を使用して、最後に臨床データと胸部 X 線写真の両方を使用して実行されました。この融合は、臨床的特徴と画像から抽出された特徴を組み合わせるために使用されます。実験結果は、彼らのモデルが診断精度を向上させることを示しました。

プロセスの立法や規制を含むワクチン開発のステップは、全世界から「新型コロナウイルス感染症の暗いトンネルの終わりの光」とみなされた。世界的に採用されているワクチンベースの制御戦略によって、人命を救うという顕著な役割が達成されてきましたが、悪質なワクチン開発競争は全世界を混乱させました。

上で述べたように、新型コロナウイルス感染症の研究に関する文献は非常に豊富です。しかし、研究のほとんどは、患者の現在の状態や症状を特徴として使用したり、胸部 X 線写真を使用して病気を診断したりすることによる、新型コロナウイルス感染症の予測と診断に関するものでした。私たちの知る限り、これは、新型コロナウイルス感染症ワクチン接種後に患者が経験する可能性のある悪影響を予測するために DL を使用した最初の研究です。

このセクションでは、読者が方法論を簡単に理解できるように、この論文で使用されるアルゴリズムの予備的な説明を示します。

Pigeon アルゴリズムは、2014 年に開発された生物由来のオプティマイザーです25。これは人口ベースの群知能アルゴリズムであり、多くの最適化問題を解決するために広く使用され、適用され成功しています。生物からインスピレーションを得たアルゴリズムは、非決定的多項式問題など、非常に大きな探索空間を伴う複雑な問題を解決できるため、研究者にとって常に魅力的です。 Pigeon アルゴリズムは、ハトの群れの自然な行動に基づいた数学的モデルを定式化し、ハトの群れの社会的行動を模倣することで、ソリューションの品質を向上させようとします26。

ハトの帰巣行動は、地図とコンパスという 2 つの演算子から導出されます。ハトは地球の磁場を感知することができ、さらに太陽の高度をコンパスとして使用して、目的地に到達するために常に方向を修正します。飛んでいるハトが家や目的地に近づくと、地図とコンパスの操作者の必要性はますます低くなります。各ハト i の位置 Pi および速度 Vi は、反復 t ごとに更新されます。これは、次の式 27、28 で数学的に表すことができます。

ここで、R はマップおよびコンパス係数、rand は範囲 [0, 1] の一様乱数、Pg はグローバル最適解です。

Pigeon アルゴリズムの反復ごとに、ハトは地図とコンパスの演算子に依存して、いわゆる最良のハトを追跡し、飛行位置を変更します。特定のハトの現在の飛行方向は、Eq の最初のオペランドによって数学的に表されます。。 (1) であり、図 1 では青い矢印で示されています。最良のハトの飛行方向は赤い点線の矢印で示され、式 2 の 2 番目のオペランドで数学的に表されます。 (1)。特定のハトが進むべき次の方向は、式 2 の 2 つのオペランドを合計することによって表されます。 (1)。すべてのハトの新しい飛行位置は反復ごとに計算され、それに応じて式を使用して修正されます。 (1)と(2)。 Pigeon オプティマイザーはアルゴリズム (1) にリストされています。

すべての鳩は、最適な鳩の位置に従って自分の位置を調整します。

リカレントニューラルネットワーク (RNN) は、前のステップからの出力が次のステップへの入力として使用されるニューラルネットワークの特殊なケースです。ほとんどのニューラルネットワークでは、入力は出力に依存しませんが、場合によっては、現在の予測が以前の予測値に依存することがあります。たとえば、文内の次の単語を予測する場合、前の反復で取得した単語が必要となるため、シーケンス内の次の単語を取得するには、前のすべての単語を記憶する必要があります。この問題は、過去の反復から得られた情報を記憶する隠れ層を使用することで解決されます (図 2 を参照)。隠れ層に加えて、RNN は計算プロセス全体にわたって逆方向ループを使用して、情報をネットワークにフィードバックします。隠れ層と逆方向ループの両方により、RNN は順次データと時間データを処理できるようになります。

リカレントニューラルネットワーク。

このセクションでは、提案されたモデルについて説明します。図 3 に示すように、モデルは 3 つのフェーズ (1) データ前処理、(2) 特徴選択プロセス、および (3) 予測フェーズを経ます。これらの各フェーズについては、使用されるデータについて簡単に説明した後、次のサブセクションで説明します。

提案されたモデルのアーキテクチャ。

提案されたモデルで使用されるデータセットは、ワクチン有害事象報告システム (VAERS) データセットです29。これは、PFIEZER、JANSSEN、MODERNA のワクチンによって引き起こされる可能性のある報告された副作用を収集するために、食品医薬品局 (FDA) と疾病管理予防センター (CDC) の間の法人として設立されました。このデータセットには、SARS-CoV-2 ワクチンだけでなく、いくつかのワクチンで報告された副反応が含まれています。新型コロナウイルス感染症ワクチン以外のすべてのワクチンは現在の研究から除外された。データセットには、ワクチン接種後の副作用に関する情報が含まれています。 VAERS は、ワクチン接種後に経験した副作用を患者に報告させるために使用されます。データセットは 3 つのデータファイルで構成されており、Web サイトで参照される最新の更新日とともに定期的に更新されます。データセットには 3 つのファイルが含まれています。 1 つのファイルは患者の人口統計と病歴専用で、2 番目のファイルには患者のワクチン接種後の反応が含まれ、最後のファイルにはワクチン情報が含まれています。データセットファイルは主キー「VAERS ID」に従ってマージされており、新型コロナウイルス感染症ワクチン接種を受けた患者のデータのみが使用されています。表 1 に、使用される変数とその説明を示します。

特異な副作用は、皮膚、筋肉、肝臓、腎臓、心臓などのさまざまな臓器に影響を与える可能性があり、一部の薬剤/ワクチンはより全身的な過敏反応を引き起こす可能性があります。副作用の重症度に応じて、一般に 1 から 4 にグレード分けされます。グレード 1 は非常に軽度で、グレード 4 は非常に重篤です。

グレード 1 (軽度)。

グレード 2 (中程度)。

グレード 3 (重度)。

グレード 4 (生命を脅かす可能性があります)。

この研究は、現在のデータセットに記載されている各種類の新型コロナウイルス感染症ワクチンの副作用の程度を明らかにすることを目的としています。表 2 は、副作用に関連する臓器または生理学的システムを説明しています。

この研究では、調査されたデータセットから患者の副作用が考慮されています。生データセットの「SYMPTOM_TEXT」フィールドには、患者の病歴全体が含まれています。文字列照合技術を使用することにより、患者の既存の病状と事前状態がすべてデータセットの「SYMPTOM_TEXT」フィールドから抽出されました。各状態は個別のバイナリフィールドとしてデータセットに追加されています。「0」は患者がそのような病状を患っていないことを示し、「1」は患者がそのような病状に苦しんでいることを示します。報告された 49 件の病状が「SYMPTOM_TEXT」フィールドで見つかりました。含まれる病状の例には、高血圧、糖尿病、COPD、腎臓病、うつ病、喘息などがあります。報告されている新型コロナウイルス感染症ワクチンの副反応も含まれます。

ワクチン接種者の中には、何らかの症状が出てワクチン接種後すぐに死亡した人もいれば、新型コロナウイルス感染症に再感染した人もおり、重篤な副作用を経験して入院治療が必要になった人もいた。患者のワクチン接種後の反応分析では、3 つの異なるタイプのターゲットクラスが考慮されます。「死亡状況」「入院状況」「回復」です。 3 つのクラスは相互に排他的ではありません。

VAERS データセットの場合、欠損値を削除することによってデータクリーニングが実行されます。さらに、データセットは適切に配布されていません。この問題を解決するには、オーバーサンプリング手法とアンダーサンプリング手法を組み合わせたハイブリッドサンプリングアルゴリズムをデータセットに適用できます。

ターゲットクラスの人口統計図を図 4 に示します。これは、PFIEZER、JANSSEN、および MODERNA ワクチンのデータセット内の各ターゲットクラスの個人の分布を表しています。

PFIEZER、JANSSEN、MODERNA ワクチン接種後の患者の副反応のクラス分布。

DL モデルの精度を向上させることができる適切な特徴を選択することは、分類プロセスにおいて非常に重要なステップです。特徴選択は、結果に最も影響を与える可能性のある元の特徴のプールから特徴のサブセットを選択するプロセスとして定義できます。特徴選択により予測の品質とパフォーマンスが向上します。特徴選択の最も重要な利点は、分類モデルによる計算時間が短縮されることです。提案されたモデルでは、特徴選択フェーズに Pigeon アルゴリズムが使用されています。

Pigeon アルゴリズムは、最適な特徴を見つけるために特徴選択フェーズで使用されています。使用されるコスト関数は式で与えられます。 (3)。ソリューションは、真陽性率 (TPR)、偽陽性率 (FPR)、および一部の特徴に関して、元の特徴セットから選択された特徴のサブセットです。この適合関数を使用すると、TPR または FPR に影響を与えないすべての特徴は、ソリューションの品質を変更しないため削除されます。式 (3) は、ハトまたはソリューションの適合性を評価するために使用される式を示しています30。

ここで、N は選択されたフィーチャの数、TN はフィーチャの総数、a + b + c = 1 です。

表 3、4、および 5 は、PFIEZER、JANSSEN、および MODERNA ワクチンに対してそれぞれ Pigeon オプティマイザーによって選択された最良の機能を示しています。 PFIEZER ワクチンの場合、年齢、アレルギー、痛み、「集中治療」など、「死亡」、「入院」、「回復」の 3 つの対象クラスすべてにとって、いくつかの特徴が重要であると考えられることがわかります。一方で、「死亡」ターゲットクラスの「頻脈」特徴、「回復」ターゲットクラスの「異常感」特徴、「SARS-CoV-2検査」など、一部の特徴は特定のターゲットクラスに特有であることがわかります。「入院」クラス向けの「ポジティブ」機能。同様に、JANSSEN および MODERNA ワクチンの場合、一部の特徴は 3 つの患者対象クラスに共通であり、その他の特徴は各対象クラスに固有です。

提案されたモデルでは、「死亡状況」、「入院」、「回復」という 3 つのターゲットクラスが予測されます。これらのクラスは相互に排他的ではなく、同じ受取人に複数のターゲットクラスが発生する可能性があることに注意してください。。たとえば、ワクチン接種者が入院して死亡したり、入院して回復したりする可能性があります。したがって、図 5 に示すように、ワクチンの種類ごとに一度に 1 つのターゲットクラスが予測されます。各ワクチン (PFIEZER、JANSSEN、および MODERNA) について、3 つのターゲットクラス「死亡ステータス」、「入院」、「クラス」が予測されます。回復しました」と 1 つずつ予測されます。つまり、PFIEZER ワクチンの「死亡ステータス」ターゲットクラスが予測され、PFIEZER ワクチンの「入院」ターゲットクラスが予測され、最後に PFIEZER ワクチンの「回復」ターゲットクラスが予測されます。 JANSSEN および MODERNA ワクチンについても同じことが行われます。言い換えれば、ファイザーをレシピエントが服用した場合、このレシピエントが死亡、入院、または回復する可能性はどのくらいかということです。

各ワクチンタイプの 3 つのターゲットクラスの RNN。

このセクションでは、この研究の結果について説明します。実験は、4 GB のメインメモリと 64 ビット Windows 7 オペレーティングシステムを搭載した 3 GHz i5 コンピューターで行われました。実験はPythonというプログラミング言語を使って行われます。

研究された新型コロナウイルス感染症ワクチンのファーマコビジランスの観点から、この研究の目的は、最も一般的な副作用が各患者カテゴリーに共通していることを発見することでした。

図 6、7、8 は、それぞれ「死亡」、「入院」、「回復」という患者クラスに対する 3 つのワクチン間の特徴の交差を示しています。図から、いくつかの特徴は 3 つのワクチン間で共通ですが、他の特徴はそれぞれのワクチンに特有であることがわかります。

「死亡」患者の対象クラスに対する 3 つのワクチンの共通点が特徴です。

「入院」患者クラス向けの 3 つのワクチン間の交差を特徴とします。

「回復した」患者の対象クラスに対する 3 つのワクチン間の交差を特徴とします。

「死亡」クラスでは、3 つのワクチンが 7 つの特徴 (年齢、紅斑、アレルギー、心停止、脳血管障害、意識喪失、および訪問) を共有していることがわかりますが、たとえば、胸部不快感の特徴は、ファイザーワクチンのみ。

図 9、10、11 は、各クラスの 3 つのワクチン接種後に死亡した患者、入院した患者、回復した患者の臓器への影響に基づいた副作用の数を示しています。 PFIEZER ワクチンの場合、CNS 関連の副作用は、血液関連の副作用よりもすべての患者カテゴリーで最も一般的です。死亡者、入院者、回復者で3番目に多い副作用は、それぞれCVS、胃腸炎、アレルギーの副作用です。図9. JANSSENワクチンの場合、CNS関連の副作用がすべての患者カテゴリーで最も一般的です。次に、死亡および回復したカテゴリーの場合の CVS 関連の副作用、図 10。

PFIEZER ワクチン接種後に死亡した患者、入院患者、回復した患者の臓器への影響に基づく副作用はありません。

JANSSEN ワクチン接種後に死亡した患者、入院患者、回復した患者における臓器への影響に基づく副作用はありません。

MODERNAワクチン接種後に死亡した患者、入院患者、回復した患者の臓器への影響に基づく副作用はありません。

MODERNA ワクチンの場合、死亡および回復における ANS 関連の副作用よりも、CNS 関連の副作用がすべての患者カテゴリーで最も一般的です。入院した場合、出血は 2 番目に多い副作用です。死亡者および回復者に共通する 3 番目の副作用は、心血管系の副作用に関連する副作用です (図 11)。

さまざまなタイプの深層学習モデルの中でも、リカレントニューラルネットワーク (RNN) と長短期記憶 (LSTM) ネットワークは、データを処理する能力で大きな注目を集めています。このセクションでは、深層学習分類器を使用した患者の分類について、RNN モデルと LSTM モデルを比較します。各モデルの長所と限界を調査し、要因とさまざまなパフォーマンス評価指標 (精度、再現率、特異性、精度、F1_スコア、計算時間) に焦点を当てます。表 6、7、および 8 は、RNN モデルと LSTM モデルの比較を示しています。 3 つのワクチン接種後の患者の副反応を 3 つの対象クラス「死亡状況」、「入院」、「回復」に分類します。

上の表と結果は、RNN モデルが精度、再現率、特異性、精度、F1 スコアなどのいくつかの指標で LSTM を上回っており、患者分類タスクにおける優れたパフォーマンスを示していることを示しています。一方、RNN モデルは計算時間の点で LSTM よりも劣っており、この制限は今後の研究の研究点として考慮されます。

RNN 分類子は、バッチサイズとエポックにさまざまな値を使用してテストされています。図 12、13、および 14 は、3 つのワクチン接種後の患者の副反応のパフォーマンスの比較を、精度、再現率、特異性、精度、および 3 つのターゲットクラス「死亡状況」、「入院」、および「」の F1 スコアの観点から示しています。回復しました。」提案されたモデルのパフォーマンスは、ほとんどの場合、50 エポックを使用し、バッチサイズが 50 に等しい場合に優れていることがわかります。したがって、RNN 分類器に使用される最適なパラメーターを表 6 に示します。

異なるエポック数と異なるパッチサイズを使用した PFIEZER ワクチン後の患者の有害反応のパフォーマンス比較。ここで、E はエポック数を表し、B はバッチサイズを表します。 (a) 死亡した患者の分類。 (b) 入院患者の分類。 (c) 回復した患者の分類。

異なるエポック数と異なるパッチサイズを使用した JANSSEN ワクチン後の患者の副反応のパフォーマンス比較。E はエポック数を表し、B はバッチサイズを表します。 (a) 死亡患者の分類。 (b) 入院患者の分類。 (c) 回復した患者の分類。

異なるエポック数と異なるパッチサイズを使用した MODERNA 後の患者の副作用のパフォーマンス比較。ここで、E はエポック数を表し、B はバッチサイズを表します。 (a) 死亡患者の分類。 (b) 入院患者の分類。 (c) 回復した患者の分類。

表 9 に示す RNN 分類子パラメーターを使用すると、提案されたモデルは、PFIEZER ワクチン接種における「死の像」クラスのターゲットに対して最高の精度、再現率、F1_スコア、特異性、精度スコアを与え、精度値は 96.03% であることが観察されます。 JANSSEN ワクチン接種中、図 16 は、「入院」対象クラスが最高のパフォーマンスを示し、読み取り精度 94.7% を示しました。最後に、図 17 に示すように、モデルは MODERNA ワクチン接種の「回復」クラスで最高のパフォーマンスを示し、精度は 97.794% です。

各クラスの PFIEZER ワクチン接種後の患者の副反応に関するパフォーマンスの比較。

各クラスのJANSSENワクチン接種後の患者の副反応のパフォーマンス比較。

各クラスのMODERNAワクチン接種後の患者の副反応のパフォーマンス比較。

各クラスの PFIEZER、JANSSEN、および MODERNA ワクチン接種後の患者の副反応の検証データセットとトレーニングデータセットの損失の比較を図 1 および 2 に示します。それぞれ18、19、20です。各クラスの PFIEZER、JANSSEN、および MODERNA ワクチン接種後の患者の副反応の検証データセットとトレーニングデータセットの同様の精度比較を図 1 と 2 に示します。それぞれ21、22、23です。

PFIEZER ワクチン接種後の患者の副反応の検証データセットとトレーニングデータセットの損失の比較。 (a) 死亡した患者のモデル損失。 (b) 入院患者のモデル損失。 (c) 回復した患者のモデル損失。

JANSSENワクチン接種後の患者の副反応の検証データセットとトレーニングデータセットの損失の比較。 (a) 死亡した患者のモデル損失。 (b) 入院患者のモデル損失。 (c) 回復した患者のモデル損失。

MODERNAワクチン接種後の患者の副反応の検証データセットとトレーニングデータセットの損失の比較。 (a) 死亡した患者のモデル損失。 (b) 入院患者のモデル損失。 (c) 回復した患者のモデル損失。

PFIEZERワクチン接種後の患者の副反応の検証およびトレーニングデータセットの精度比較。 (a) 死亡した患者の精度。 (b) 入院患者のモデルの精度。 (c) 回復した患者のモデルの精度。

JANSSENワクチン接種後の患者の副反応の検証およびトレーニングデータセットの精度比較。 (a) 死亡患者の精度。 (b) 入院患者のモデルの精度。 (c) 回復した患者のモデルの精度。

MODERNAワクチン接種後の患者の副反応の検証およびトレーニングデータセットの精度比較。 (a) 死亡患者の精度。 (b) 入院患者のモデルの精度。 (c) 回復した患者のモデルの精度。

最後に重要なことですが、初期供給が限られているワクチンの開発では、このような方法は、一次ワクチン接種キャンペーンで高リスク患者を特定するのに役立つ可能性があります。ワクチンの安全性について一般の人々を教育することは、公衆衛生と現在および将来の大規模なワクチン接種キャンペーンにとって非常に重要です。得られた結果は、患者の病歴に基づいて最適なワクチンを選択するためのファーマコビジランスおよび医薬品安全性アプローチに役立ちます。

RNN を使用した提案されたモデルと LSTM モデルの間に統計的に有意な差があるかどうかを判断するために、Wilcoxon 符号付きランク検定が実行されました。 Wilcoxon 符号付き順位検定は、2 つの関連するサンプルを比較するために使用されるノンパラメトリック統計検定です。これは、同じ被験者グループに適用された 2 つの方法または治療の間に有意な差があるかどうかを判断するために一般的に使用されます。この検定は、正規性の仮定が満たされない場合、またはサンプルサイズが小さい場合に特に役立ちます。検定の帰無仮説は、2 つのサンプルの母集団中央値の間に差がないということであり、対立仮説は、中央値が等しくないということです。 p 値が有意水準 (通常は 0.05) より小さい場合、帰無仮説は棄却され、2 つのサンプル間に有意な差があると結論付けられます 31。 2 つのモデルの記述統計は、RNN の平均精度が LSTM モデルよりも高いことを示しました。LSTM モデルの平均精度は 86.197778 (SD = 6.2431678)、RNN モデルの平均精度は 91.941778 (SD = 4.9613537) でした。表 10 に示します。

Wilcoxon の符号付き順位検定では、RNN モデルの平均順位 (平均順位 = 3.00) が LSTM モデルよりも高いことが示され、2 つのモデル間に有意な差があることが示されました。さらに、LSTM モデルと RNN モデルの間には精度に大きな差がありました (Z = − 2.312、p = 0.021 両側)。負の Z 値は、Accuracy_RNN が Accuracy_Lstm よりも統計的に有意に低いことを示しています。 p 値 0.021 は、2 つのモデル間にそのような大きな差が偶然に観察される確率が 2.1% であること、およびこの差が 0.05 レベルで統計的に有意であることを示します。表 11: RNN モデルと LSTM モデルの Wilcoxon 符号付き順位検定の結果を要約します。

この論文では、3 つのワクチン (PFIEZER、JANSSEN、MODERNA) のワクチン接種後の Covid-19 の副反応を研究するために、DL ベースのモデルが開発されました。死亡ステータス、入院、回復の 3 つのカテゴリのみが考慮されます。

得られた精度に基づいて、提案されたモデルは、新型コロナウイルス感染症ワクチンの種類とワクチン接種後に患者に現れる副作用との関係を特定するための有望なモデルであると結論付けることができます。

行われた作業に基づいて、いくつかの重要なポイントが次のように要約されます。

新型コロナウイルス感染症ワクチンの種類に応じて、患者において特定の副作用が増加したと推測できます。

CNSおよび造血モデルに関連する副作用は、すべての種類の新型コロナウイルス感染症ワクチンで高かった。

新型コロナウイルスワクチンの種類別に、回復者よりも入院者で検出された副作用の割合を分析した。

PFIZER ワクチンの接種後、アレルギーや心血管系の副作用の数が増加します。

JANSSEN ワクチンの接種後、GIT の数と血液の副作用が増加します。

MODERNAワクチンの接種後、血液およびアレルギーの副作用の数が増加します。

前に示したように、文献には、新型コロナウイルス感染症の研究と、さまざまな科学分野との相関関係が非常に豊富に記載されています。しかし、ほとんどの研究、特に AI アプリケーションに関連するものは、患者の現在の状態や症状を特徴として使用したり、胸部 X 線写真を使用して病気を診断したりすることによる、新型コロナウイルス感染症の予測や診断に関するものでした。私たちの知る限り、これは、新型コロナウイルス感染症ワクチン接種後に患者が経験する可能性のある悪影響を予測するために DL を使用した最初の研究であり、これは新型コロナウイルス感染症ワクチンに関連する公衆衛生上の懸念に顕著な影響を与えるでしょう。初回用量の摂取、すでに承認されているワクチンの追加用量の摂取、または前臨床、第1、第2、および第3のワクチン開発段階でまだ開発中であり、近い将来導入される予定のワクチンの追加投与のレベルです。

新型コロナウイルス感染症に関するさらなる情報を入手する必要性は依然として必要です。今後は、特定の患者に対する両治療法の投与の重症度を最小限に抑えるために、新型コロナウイルス感染症ワクチンと他の承認されたWHOワクチンから生じる副作用の関係を特定する作業が提案された。満足のいく計算時間で調査対象の問題に別の DL モデルを適用すると、予測精度が向上する可能性があり、今後の研究の新たなポイントと考えることができます。

現在の研究中に生成および/または分析されたデータセットは、[vaers] リポジトリ [https://vaers.hhs.gov/data/datasets.html] で入手できます。この研究では人間や動物の被験者は使用されていません。データは公開データです。

https://www.who.int/ (2022 年 9 月にアクセス)。

https://www.mayoclinic.org/diseases-conditions/coronavirus/in- Depth/fferent-types-of-covid-19-vaccines/art-20506465 (2022 年 9 月にアクセス)。

ハイダリー、M.ら。新型コロナウイルス感染症（COVID-19）に対するタンパク質サブユニットワクチンの包括的なレビュー。フロント。微生物。 14(13)、927306 (2022)。

記事 Google Scholar

ジャン、L.ら。医用画像強調のための適応型アンカー近傍回帰法。マルチメッド。ツールアプリケーション 79、10533–10550 (2020)。

記事 Google Scholar

Arel, I.、Rose, DC、Karnowski, TP 深層機械学習 - 人工知能研究の新たなフロンティア。 IEEE コンピューティング。知性。マグ。 5(4)、13–18 (2020)。

記事 Google Scholar

Rizk, Y.、Hajj, N.、Mitri, N. & Awad, M. 深層信念ネットワークと皮質アルゴリズム: 教師付き分類の比較研究。応用計算します。知らせる。 15(2)、81–93 (2019)。

記事 Google Scholar

Askr, H. et al. 創薬におけるディープラーニング: 統合的なレビューと今後の課題。アーティフ。知性。改訂 56、1–63 (2022)。

Google スカラー

N. アローラ、アラスカ州バナジー、ML ナラス新型コロナウイルス感染症への取り組みにおける人工知能の役割。フト。ヴィロル。 https://doi.org/10.2217/fvl-2020-0130 (2020)。

記事 Google Scholar

世界保健機関。 2019 年コロナウイルス感染症 (COVID-19): 状況レポート。 156. www.who.int/docs/default.source/coronaviruse/situation-reports/20200624-covid-19-sitrep-156.pdf?sfvrsn=af42e4802 (2020)。

キム、J.-M. 他。韓国の新型コロナウイルス感染症患者から分離されたコロナウイルスの特定。五松公衆衛生院視点。 11(1)、3–7 (2020)。

論文 PubMed PubMed Central Google Scholar

グアン、W.ら。中国における2019年のコロナウイルス感染症の臨床的特徴。Ｎ．Ｅｎｇｌ． J.Med. 382(18)、1708–1720 (2020)。

論文 CAS PubMed Google Scholar

Ruan, S. コロナウイルス感染症 2019 の生存の可能性。ランセット感染。ディス。 20(6)、630–631 (2020)。