Un modello predittivo di deep learning per i problemi di salute pubblica e l’esitazione nei confronti del COVID

Rapporti scientifici volume 13, numero articolo: 9171 (2023) Citare questo articolo

4 Altmetrico

Dettagli sulle metriche

Durante l’era della pandemia, il COVID-19 è stata una delle situazioni inaspettate più straordinarie degli ultimi anni, ma con la decentralizzazione e la globalizzazione degli sforzi e delle conoscenze, una strategia di controllo basata sul vaccino è stata progettata e applicata in modo efficiente in tutto il mondo. D’altra parte, la confusione e l’esitazione giustificate hanno avuto un ampio impatto sulla salute pubblica. Questo documento mira a ridurre l’esitazione vaccinale contro il COVID-19 prendendo in considerazione l’anamnesi del paziente. Il set di dati utilizzato in questo studio è il set di dati Vaccine Adverse Event Reporting System (VAERS) che è stato creato come una società tra la Food and Drug Administration (FDA) e i Centers for Disease Control and Prevention (CDC) per raccogliere gli effetti collaterali segnalati che potrebbero essere causata dai vaccini PFIEZER, JANSSEN e MODERNA. In questo articolo è stato sviluppato un modello di Deep Learning (DL) per identificare la relazione tra un certo tipo di vaccino COVID-19 (ad esempio PFIEZER, JANSSEN e MODERNA) e le reazioni avverse che possono verificarsi nei pazienti vaccinati. Le reazioni avverse oggetto di studio sono la condizione di recupero, la possibilità di ricovero in ospedale e lo stato di morte. Nella prima fase del modello proposto, il set di dati è stato pre-elaborato, mentre nella seconda fase, l'algoritmo di ottimizzazione dello sciame di piccioni viene utilizzato per selezionare in modo ottimale le caratteristiche più promettenti che influenzano le prestazioni del modello proposto. Lo stato del paziente dopo il set di dati della vaccinazione è raggruppato in tre classi target (morte, ricoverato in ospedale e guarito). Nella terza fase, viene implementata la Rete Neurale Ricorrente (RNN) sia per ciascun tipo di vaccino che per ciascuna classe target. I risultati mostrano che il modello proposto fornisce i punteggi di accuratezza più elevati che sono pari al 96,031% per la classe target di morte nel caso della vaccinazione PFIEZER. Mentre nella vaccinazione JANSSEN, la classe target Ospedalizzati ha mostrato la performance più elevata con una precisione del 94,7%. Infine, il modello ha le migliori prestazioni per la classe target recuperata nella vaccinazione MODERNA con una precisione del 97,794%. Sulla base dell’accuratezza e del test Wilcoxon Signed Rank, possiamo concludere che il modello proposto è promettente per identificare la relazione tra gli effetti collaterali dei vaccini COVID-19 e lo stato del paziente dopo la vaccinazione. Lo studio ha dimostrato che alcuni effetti collaterali aumentavano nei pazienti a seconda del tipo di vaccino anti-COVID-19. Gli effetti collaterali relativi al sistema nervoso centrale e ai sistemi emopoietici hanno dimostrato valori elevati in tutti i vaccini COVID-19 studiati. Nell’ambito della medicina di precisione, questi risultati possono supportare il personale medico nella selezione del miglior vaccino COVID-19 in base alla storia medica del paziente.

Esistono diversi approcci per sviluppare un vaccino. Differiscono nella percentuale del virus utilizzato. Secondo l’Organizzazione Mondiale della Sanità (OMS)1, un approccio utilizza l’intero virus o batterio come l’approccio del microbo intero, un altro approccio utilizza solo la parte del virus che attiva il sistema immunitario del corpo come l’approccio a subunità o utilizza solo il materiale genetico che fornisce le istruzioni necessarie per creare proteine ​​specifiche come l'approccio genetico (vaccino contro l'acido nucleico).

Alcuni vaccini COVID-19 utilizzano una forma geneticamente modificata di RNA messaggero (mRNA) come Pfizer-BioNTech e Moderna2. Osservando in modo approfondito la configurazione del COVID-19, si può facilmente notare che la superficie del virus ha una configurazione a punta denominata glicoproteina S. Quando tale mRNA entra nel corpo attraverso i vaccini mRNA COVID-19, ordina alle cellule del corpo di un ricevente di produrre un frammento innocuo della proteina S. D’altra parte, altri vaccini COVID-19 sono considerati vaccini basati su vettori come AstraZeneca, Janssen e Gamaleya che dipendono dalla ricombinazione del gene spike del SARS-CoV-2 in un altro vettore virale come un adenovirus. I vaccini a base di vettori virali della SARS-CoV-2 non hanno alcuna patogenesi per la SARS-CoV-2 e il virus del vettore virale.