Un modelo predictivo de aprendizaje profundo para problemas de salud pública y vacilación hacia el COVID

Scientific Reports volumen 13, Número de artículo: 9171 (2023) Citar este artículo

4 Altmetric

Detalles de métricas

A lo largo de la era de la pandemia, la COVID-19 fue una de las situaciones inesperadas notables de los últimos años, pero con la descentralización y la globalización de los esfuerzos y el conocimiento, se diseñó y aplicó eficientemente una estrategia exitosa de control basada en vacunas en todo el mundo. Por otro lado, la confusión y la vacilación justificadas han tenido un gran impacto en la salud pública. Este documento tiene como objetivo reducir las dudas sobre la vacuna COVID-19 teniendo en cuenta el historial médico del paciente. El conjunto de datos utilizado en este estudio es el conjunto de datos del Sistema de notificación de eventos adversos de vacunas (VAERS, por sus siglas en inglés) que se creó como una corporación entre la Administración de Alimentos y Medicamentos (FDA, por sus siglas en inglés) y los Centros para el Control y la Prevención de Enfermedades (CDC, por sus siglas en inglés) para recopilar los efectos secundarios informados que pueden ser causada por las vacunas PFIEZER, JANSSEN y MODERNA. En este documento, se ha desarrollado un modelo de aprendizaje profundo (DL) para identificar la relación entre un determinado tipo de vacuna COVID-19 (es decir, PFIEZER, JANSSEN y MODERNA) y las reacciones adversas que pueden ocurrir en pacientes vacunados. Las reacciones adversas en estudio son el estado de recuperación, posibilidad de hospitalización y estado de muerte. En la primera fase del modelo propuesto, el conjunto de datos ha sido preprocesado, mientras que en la segunda fase, el algoritmo de optimización de enjambre de palomas se utiliza para seleccionar de manera óptima las características más prometedoras que afectan el rendimiento del modelo propuesto. El conjunto de datos del estado del paciente después de la vacunación se agrupa en tres clases objetivo (muerte, hospitalizado y recuperado). En la tercera fase, se implementa la Red Neural Recurrente (RNN) para cada tipo de vacuna y cada clase objetivo. Los resultados muestran que el modelo propuesto otorga las puntuaciones de precisión más altas, que son del 96,031 % para la clase objetivo Muerte en el caso de la vacunación PFIEZER. Mientras que en la vacunación JANSSEN, la clase objetivo Hospitalizados ha mostrado el rendimiento más alto con una precisión del 94,7%. Finalmente, el modelo tiene el mejor rendimiento para la clase objetivo Recuperados en la vacunación MODERNA con una precisión del 97,794%. Según la precisión y la prueba de rangos con signos de Wilcoxon, podemos concluir que el modelo propuesto es prometedor para identificar la relación entre los efectos secundarios de las vacunas COVID-19 y el estado del paciente después de la vacunación. El estudio mostró que ciertos efectos secundarios aumentaron en pacientes según el tipo de vacunas COVID-19. Los efectos secundarios relacionados con el SNC y los sistemas hemopoyéticos demostraron valores altos en todas las vacunas COVID-19 estudiadas. En el marco de la medicina de precisión, estos hallazgos pueden ayudar al personal médico a seleccionar la mejor vacuna contra el COVID-19 en función del historial médico del paciente.

Hay varios enfoques para desarrollar una vacuna. Se diferencian en el porcentaje del virus utilizado. Según la Organización Mundial de la Salud (OMS)1, un enfoque usa el virus o la bacteria completos, como el enfoque de microbio completo, otro enfoque usa solo la parte del virus que activa el sistema inmunitario del cuerpo, como el enfoque de subunidades, o usa solo el material genético que proporciona las instrucciones necesarias para crear proteínas específicas como el enfoque genético (vacuna de ácido nucleico).

Algunas vacunas COVID-19 usan una forma genéticamente modificada de ARN mensajero (ARNm) como Pfizer-BioNTech y Moderna2. Al observar en profundidad la configuración de COVID-19, se puede notar fácilmente que la superficie del virus tiene una configuración similar a una espiga denominada glicoproteína S. Cuando dicho ARNm ingresa al cuerpo a través de las vacunas de ARNm de COVID-19, ordena a las células del cuerpo de un receptor que produzcan un fragmento inofensivo de proteína S. Por otro lado, se considera que otras vacunas contra la COVID-19 son vacunas basadas en vectores, como AstraZeneca, Janssen y Gamaleya, que dependen de la recombinación del gen de la espiga del SARS-CoV-2 en otro vector viral, como un adenovirus. Las vacunas basadas en vectores virales del SARS-CoV-2 no tienen ninguna patogenia para el SARS-CoV-2 y el virus del vector viral.

Las vacunas de subunidades adyuvantes como Novavax y Biological E están diseñadas principalmente en base al uso de glicoproteínas S más inmunogénicas del SARS-CoV-2 asociadas con adyuvante3. Este tipo de vacuna produce anticuerpos y glóbulos blancos defensivos una vez que su sistema inmunológico reconoce las proteínas S. Las vacunas de subunidad de proteína COVID-19 no usan virus vivos y, por lo tanto, no pueden infectar el cuerpo con el virus COVID-19. Los fragmentos de proteínas tampoco ingresan al núcleo de las células del cuerpo, donde se almacena el ADN. Las vacunas inactivadas como Sinopharm, Sinovac Biotech y Bharat Biotech se usan ampliamente en China, India y muchos países en desarrollo. Este tipo de vacuna depende de virus inactivados completos adyuvados.

La Inteligencia Artificial (IA) es una técnica que permite que una máquina reproduzca el comportamiento humano que tiene como objetivo crear un modelo funcional del cerebro humano que sea capaz de tomar decisiones basadas en el aprendizaje4. ML es una rama de la IA que utiliza métodos estadísticos para proporcionar a las máquinas la capacidad de aprender y desarrollarse con el tiempo. Incluye una amplia gama de aplicaciones y se han creado otras técnicas como agrupamiento, red bayesiana, árbol de decisión y DL5. DL es un tipo específico de ML que imita cómo funcionan nuestras células cerebrales, lo que inspiró el concepto de redes neuronales6.

DL ha demostrado ser un subcampo de IA prometedor en muchos sectores de la vida real, incluidos los sectores de atención médica y descubrimiento de fármacos. Recientemente, con el avance de DL, muchas industrias farmacéuticas se están moviendo hacia métodos basados en IA. Los modelos DL están disponibles en muchos tamaños y formas, capaces de resolver problemas de manera eficiente que son demasiado complejos para que los manejen los métodos convencionales7.

Las vacunas contra el COVID-19 aún obtienen muchos comentarios y limitaciones, desde efectos secundarios leves hasta efectos de desastre severos. En el marco de la necesidad de las vacunas en todo el mundo para combatir el desastre del COVID-19, el objetivo del artículo es examinar la relación entre los efectos secundarios de tres vacunas contra el COVID-19 y el tipo de pacientes. Aquí clasificamos a los pacientes en tres clases (fallecidos, hospitalizados y recuperados). Al utilizar DL, descubrimos la relación de los efectos secundarios con cada clase.

Debido a la necesidad de comprender el efecto secundario de la vacuna COVID-19, especialmente porque es una enfermedad de brote en todo el mundo, este trabajo tiene como objetivo examinar la relación entre el tipo de vacuna COVID-19 (3 vacunas) y los efectos secundarios generados relacionados con a ellos. Este enfoque se implementó utilizando un modelo DL. Aquí clasificamos a los pacientes en tres clases (fallecidos, hospitalizados y recuperados). Al utilizar DL, nuestro objetivo es descubrir la relación de los efectos secundarios con cada clase.

Las principales contribuciones de este trabajo se resumen a continuación:

Hasta donde sabemos, esta es la primera investigación que usa DL para predecir los efectos adversos que un paciente puede experimentar después de la vacunación contra el COVID-19, lo que tendrá un impacto notable en las preocupaciones de salud pública relacionadas con la vacuna contra el COVID-19.

Tal estudio guiará a los médicos y compañías farmacéuticas para seleccionar la vacuna de acuerdo con el historial del paciente. Además, este estudio agregará más información de farmacovigilancia sobre dichas vacunas.

Las características más importantes que afectan el rendimiento del modelo propuesto se optimizan utilizando el "algoritmo Pigeon".

El trabajo actual trató de encontrar un método predictivo eficiente de los efectos adversos y secundarios de la vacuna COVID-19 que, por su función, proporcionará una herramienta muy útil para enfrentar la situación confusa relacionada con la vacuna posterior a COVID-19 discutida anteriormente.

La estructura del documento está organizada de la siguiente manera. La sección "Revisión de la literatura" presenta una revisión del trabajo relacionado; Secta. "Conceptos básicos y antecedentes" brinda antecedentes preliminares. La sección "La propuesta modelo" presenta el marco propuesto. La sección "Resultados experimentales" analiza los resultados. Finalmente, la Secc. "Conclusión" da una conclusión del documento.

Esta sección ofrece un resumen del trabajo previo sobre el problema investigado en este documento.

En la provincia china de Hubei, la ciudad de Wuhan tuvo un brote de un nuevo coronavirus en diciembre de 2019. La mayoría de los pacientes que fueron diagnosticados inicialmente se encontraron cerca del "mercado húmedo", que es un lugar donde se sacrifican y venden animales vivos. El mercado puede haber servido como un punto de acceso amplificador desde el cual el virus se propagó rápidamente a territorios y otras regiones de China, así como a 213 países en todo el mundo8.

El 11 de febrero de 2020, la organización mundial de la salud (OMS) definió esta enfermedad como COVID-19, acrónimo de Coronavirus Disease 2019. A nivel mundial, se han documentado 761.000 muertes y 21,2 millones de casos confirmados hasta el 17 de agosto de 20209. Lo peor de COVID Según los informes, 19 escenarios ocurren en los EE. UU., India, Brasil y Rusia, donde el número de casos confirmados ha superado al de China. La epidemia actual de COVID-19 fue clasificada como una "emergencia de salud pública de importancia internacional" por la OMS el 30 de enero de 2020 y como una "pandemia" el 11 de marzo de 2020.

El SARS-CoV-2 es un coronavirus beta zoonótico que se transmite a las personas a través de brotes indirectos. Es miembro del subgénero Sarbecovirus y de la subfamilia Orthocoronavirinae de la familia Coronaviridae. Se espera que el reservorio animal del SARS-CoV-2 sean los murciélagos, pero aún se desconoce otro huésped animal intermedio plausible. El virus es una partícula esférica de 70 a 90 nm de tamaño10. Los picos de glicoproteína que sobresalen de su superficie se unen al receptor 2 de la enzima convertidora de angiotensina de la célula. El virus se parece a una corona debido a estos picos de los que se deriva el nombre "Coronavirus".

Aunque este virus emergente tiene una tasa de mortalidad mucho más baja (2,9 %) que el SARS-CoV (9,6 %) y el MERS-CoV (34,4 %), su alta tasa de transmisibilidad en comparación con otros coronavirus ha generado preocupación en todo el mundo. Además de verse afectado por la comorbilidad subyacente, que incluye trastornos concurrentes como diabetes, hipertensión, cáncer, enfermedades cardiovasculares y enfermedades respiratorias crónicas, la tasa de mortalidad de COVID-19 cambia con la edad11,12,13.

La introducción de la pandemia provocó una carrera para descubrir y desarrollar una vacuna para crear inmunidad colectiva y disminuir las consecuencias dañinas de COVID-19. El trabajo que se está realizando para crear una vacuna está actualmente establecido y se ha demostrado que muestra resultados. Los lanzamientos en todos los países comenzaron después de que ciertas vacunas candidatas produjeran resultados respetables14.

Todas las vacunas candidatas para alcanzar la aprobación autorizada de distribución mundial deben pasar por la experimentación preclínica en animales y en laboratorio, seguida de 4 fases de ensayos clínicos; El ensayo de fase 1 se lleva a cabo antes de que las vacunas candidatas ingresen a los ensayos clínicos en humanos para evaluar la seguridad de la vacuna, establecer las dosis y resaltar temprano cualquier posible efecto secundario o adverso en una muestra limitada de participantes. Los ensayos de fase 2 comienzan a investigar la eficacia en grupos más grandes y continúan investigando la seguridad. Pocas vacunas llegan a los ensayos de fase 3, que involucran sustancialmente a cientos o decenas de miles de pacientes. Estos estudios se utilizan para validar y evaluar la eficacia de la vacuna y examinar si los efectos secundarios poco comunes solo se manifiestan en grandes poblaciones. Los ensayos de fase 4, la última etapa, se llevan a cabo después de recibir el permiso regulatorio nacional e implican una vigilancia posterior a la comercialización extendida en una gran población. No todas las vacunas que han recibido aprobación nacional se encuentran en la cuarta etapa de desarrollo. Al otorgar autorizaciones de uso de emergencia, los reguladores de muchas naciones siguen su legislación y cronogramas distintos, basándose en diversas formas de evidencia de varias fases de ensayos clínicos. Incluso antes de que terminaran los estudios de la fase 3, algunos reguladores nacionales, en particular los de Rusia y China, comenzaron a autorizar vacunas para uso público (restringido o extensivo)15.

Actualmente, se están desarrollando alrededor de 330 vacunas candidatas contra el COVID-19, de las cuales; 194 están en ensayos preclínicos, 42 en ensayos de fase 1, 44 en ensayos de fase 2, 40 en ensayos de fase 3 y 10 en ensayos de fase 4. Vale la pena mencionar que de las vacunas en desarrollo mencionadas anteriormente, 24 están actualmente en uso y se ofrecen a la población en general. Todas esas vacunas se pueden clasificar en 4 categorías principales; vacuna de células enteras inactivadas, vacuna de subunidad de proteína, vacuna de vector viral y vacuna de ácido nucleico (ARN o ADN). Los más destacados y de distribución más común son los producidos por RNA PFIZER/BioNTech (Alemania), MODERNA (EE. UU.) y el vector viral JANSSEN/JOHNSON&JOHNSON (EE. UU.)16.

Tarik Alafif et al. en la ref. 17 han examinado investigaciones basadas en ML y DL que se realizaron para el diagnóstico de COVID-19. Los autores también observaron conjuntos de datos disponibles públicamente que podrían usarse. Su encuesta ha arrojado luz sobre la mayoría de los enfoques de vanguardia para ML y DL utilizados y resumió los desafíos potenciales y las direcciones futuras. M.Ali et al. en la ref.18 presentó otra encuesta para estudiar cómo ML impactó profundamente en la comprensión de la pandemia de Covid-19. La encuesta se centró en el diagnóstico del virus mediante imágenes de rayos X y tomografías computarizadas. En esta encuesta también se proporcionan escenarios futuros de la pandemia.

Zhoe et al.19 adoptaron una CNN para las pruebas de TC de COVID-19. Examinaron el rendimiento de diferentes modelos previamente entrenados en imágenes de TC y concluyeron que su modelo puede explorar nuevos indicadores visuales para ayudar a los médicos clínicos en la detección manual adicional.

Hatmal et al. en la ref. 20, han analizado varios modelos de ML para comparar su precisión en la predicción del nivel de atención hospitalaria necesaria para los pacientes diagnosticados con Covid-19. Aplicaron técnicas de selección de características y sobremuestreo y sus resultados experimentales mostraron que la edad y el género son las variables más significativas en el problema de predicción mencionado. Los pacientes se clasifican como si solo necesitaran un ingreso hospitalario regular o un ingreso a la unidad de cuidados intensivos.

Bai et al.21. Tomografías computarizadas recopiladas de 1186 pacientes con neumonía no COVID o neumonía COVID confirmada por RT-PCR de 11 hospitales diferentes en EE. UU. y China. Desarrollaron un modelo de aprendizaje profundo para discriminar entre neumonía COVID y no COVID. Posteriormente, los autores proporcionaron el modelo a los radiólogos y demostraron que su modelo mejoró significativamente la precisión diagnóstica de los radiólogos del 85 al 90 % para distinguir la neumonía por COVID de la neumonía que no es por COVID.

Hernández-Pereira E. et al. en la ref. 22 presentó un modelo ML que podría predecir si un paciente con Covid-19 tiene más probabilidades de sobrevivir o morir en función del historial médico y los datos demográficos del paciente. Utilizaron un conjunto de datos de pacientes infectados confirmados y sospechosos en México. Demostraron que su modelo propuesto podría identificar pacientes de alto riesgo y, por lo tanto, mejorar el tratamiento y la hospitalización oportunos. Chadaga https et al. en la ref. 23 examinó las metodologías ML y DL existentes y cómo pueden mejorar nuestra comprensión de COVID-19 y evitar el brote de COVID-19.

Otro estudio se realizó en el Hospital Universitario King Fahad, Dammam, KSA24. Este estudio tiene como objetivo automatizar el diagnóstico de COVID-19 mediante la integración de datos clínicos de pacientes con imágenes de rayos X de tórax en un modelo de DL. Los datos utilizados contienen un total de 270 registros de pacientes. Los experimentos se realizaron primero con datos clínicos, segundo con la radiografía de tórax y, por último, tanto con datos clínicos como con la radiografía de tórax. Esta fusión se utiliza para combinar las características clínicas y las características extraídas de las imágenes. Los resultados experimentales mostraron que su modelo mejora la precisión diagnóstica.

El paso del desarrollo de la vacuna, incluida la legislación y la regulación del proceso, fue considerado por todo el mundo como "la luz al final del oscuro túnel de la COVID-19". Aunque el notable papel de salvar vidas se ha logrado a través de la estrategia de control basada en vacunas adoptada a nivel mundial, la feroz competencia por el desarrollo de vacunas dejó confundido al mundo entero.

Como se mencionó anteriormente, la literatura es muy rica en investigación de COVID-19. Sin embargo, la mayor parte del trabajo se centró en la predicción y el diagnóstico de la infección por COVID-19, ya sea utilizando la condición actual y los síntomas del paciente como características o la radiografía de tórax para diagnosticar la enfermedad. Hasta donde sabemos, esta es la primera investigación que utiliza DL para predecir los efectos adversos que un paciente puede experimentar después de la vacunación contra el COVID-19.

Esta sección presenta los algoritmos preliminares utilizados en este documento para ayudar a los lectores a comprender fácilmente la metodología.

El algoritmo Pigeon es un optimizador bioinspirado que se desarrolló en 201425. Es un algoritmo de inteligencia de enjambre basado en la población que se ha utilizado ampliamente y aplicado con éxito para resolver muchos problemas de optimización. Los algoritmos bioinspirados siempre han sido tentadores para los investigadores debido a su capacidad para resolver problemas complejos con un espacio de búsqueda extragrande, como problemas polinómicos no deterministas. El algoritmo Pigeon intenta mejorar la calidad de las soluciones imitando el comportamiento social de un enjambre de palomas mediante la formulación de un modelo matemático basado en su comportamiento natural26.

El comportamiento de búsqueda de palomas se deriva de dos operadores: mapa y brújula. Las palomas pueden sentir el campo magnético de la tierra, además, usan la altitud del sol como una brújula para modificar constantemente su dirección para llegar a su destino de origen. Cuando las palomas voladoras se acercan a su hogar o destino, su necesidad del operador del mapa y la brújula se vuelve cada vez menor. La posición Pi así como la velocidad Vi de cada paloma i se actualizan en cada iteración t. Esto se puede representar matemáticamente mediante las siguientes ecuaciones27,28.

donde R es un factor de mapa y brújula, mientras que rand es un número aleatorio uniforme en el rango [0, 1], Pg es la mejor solución global.

En cada iteración del algoritmo Pigeon, las palomas dependen del operador de mapa y brújula para rastrear lo que se llama la mejor paloma y, por lo tanto, modificar su posición de vuelo, y la dirección de vuelo actual de una paloma dada se representa matemáticamente por el primer operando de Eq . (1) y se muestra en la Fig. 1 con la flecha azul. La dirección de vuelo de la mejor paloma se indica con la flecha roja punteada y se representa matemáticamente con el segundo operando de la ecuación. (1). La siguiente dirección a la que debe navegar una paloma dada se representa sumando los dos operandos en la ecuación. (1). Las nuevas posiciones de vuelo de todas las palomas se calculan en cada iteración y se modifican en consecuencia utilizando las Ecs. (1) y (2). El optimizador de Pigeon se incluye en el Algoritmo (1).

Todas las palomas ajustan su posición siguiendo la mejor posición de paloma.

La Red Neural Recurrente (RNN) es un caso especial de Red Neural donde la salida de un paso anterior se usa como entrada para el siguiente paso. En la mayoría de las redes neuronales, las entradas no dependen de las salidas, pero en algunos casos, la predicción actual depende de los valores de predicción anteriores. Por ejemplo, al predecir la siguiente palabra en una oración, se requieren las palabras obtenidas de iteraciones anteriores y, por lo tanto, todas las palabras anteriores deben recordarse para obtener la siguiente palabra en la secuencia. Este problema se resuelve mediante el uso de una capa oculta que recuerda la información obtenida de iteraciones anteriores (consulte la Fig. 2). Además de las capas ocultas, RNN también utiliza bucles inversos a lo largo del proceso computacional para enviar información a la red. Tanto las capas ocultas como los bucles hacia atrás brindan a los RNN la capacidad de procesar datos secuenciales y temporales.

Red neuronal recurrente.

En esta sección, se presenta una discusión del modelo propuesto. Como se muestra en la Fig. 3, el modelo pasa por tres fases (1) preprocesamiento de datos, (2) proceso de selección de características y (3) fases de predicción. Cada una de estas fases se explica en las siguientes subsecciones después de una breve descripción de los datos utilizados.

La arquitectura del modelo propuesto.

El conjunto de datos utilizado en el modelo propuesto es el conjunto de datos del Sistema de notificación de eventos adversos de vacunas (VAERS)29. Fue creado como una corporación entre la Administración de Alimentos y Medicamentos (FDA) y los Centros para el Control y la Prevención de Enfermedades (CDC) para recopilar los efectos secundarios informados que pueden causar las vacunas PFIEZER, JANSSEN y MODERNA. El conjunto de datos contiene reacciones adversas notificadas para varias vacunas, no solo para la vacuna contra el SARS-CoV-2. Todas las vacunas que no sean las vacunas COVID-19 fueron excluidas del estudio actual. El conjunto de datos contiene información sobre los efectos secundarios posteriores a la vacunación. VAERS se usa para permitir que un paciente informe los efectos secundarios experimentados después de la vacunación. El conjunto de datos consta de tres archivos de datos que se actualizan periódicamente y en el sitio web se hace referencia a la fecha de actualización más reciente. El conjunto de datos incluye tres archivos. Un archivo está dedicado al historial demográfico y médico de los pacientes, el segundo archivo contiene las reacciones posteriores a la vacunación de los pacientes y el último archivo contiene información sobre las vacunas. Los archivos del conjunto de datos se fusionaron de acuerdo con la clave principal 'ID de VAERS' y solo se usaron los datos de los pacientes vacunados contra el COVID-19. La Tabla 1 presenta las variables utilizadas y sus descripciones.

Los efectos adversos idiosincrásicos pueden afectar una variedad de órganos, incluidos la piel, los músculos, el hígado, los riñones y el corazón, y algunos medicamentos/vacunas pueden causar reacciones de hipersensibilidad más generalizadas. De acuerdo con la gravedad de los efectos secundarios, generalmente se califica del 1 al 4. El grado 1 es muy leve y el grado 4 es muy grave.

GRADO 1 (Leve).

GRADO 2 (Moderado).

GRADO 3 (Severo).

GRADO 4 (Potencialmente mortal).

Este estudio está dirigido a determinar el grado de efectos secundarios en cada tipo de vacuna COVID-19 mencionado en el conjunto de datos actual. La Tabla 2 describe el órgano o sistema fisiológico relacionado con el efecto secundario.

A partir del conjunto de datos investigados, en este estudio se consideran las reacciones adversas de los pacientes. El campo 'SYMPTOM_TEXT' del conjunto de datos sin procesar incluye el historial médico general del paciente. Mediante el uso de técnicas de coincidencia de cadenas, todas las condiciones médicas existentes y las condiciones previas del paciente se extrajeron del campo 'SYMPTOM_TEXT' del conjunto de datos. Cada condición se ha agregado como un campo binario separado al conjunto de datos, donde '0' indica que el paciente no tiene esta afección médica y '1' indica que padece dicha afección. Se han encontrado 49 condiciones médicas reportadas en el campo 'SYMPTOM_TEXT'. Ejemplos de las condiciones médicas incluidas son hipertensión, diabetes, EPOC, enfermedad renal, depresión y asma. También se incluyen las reacciones adversas notificadas a la vacuna COVID-19.

Algunos receptores de la vacuna experimentaron algunos síntomas y murieron poco después de la vacunación, otros se reinfectaron con COVID-19 y algunos experimentaron efectos secundarios graves y requirieron tratamiento hospitalario e ingreso en instalaciones hospitalarias. Se consideran tres tipos diferentes de clases objetivo para el análisis de la reacción posterior a la vacunación del paciente. Son "estado de muerte", "estado de admisión hospitalaria" y "Recuperado". Las tres clases no son mutuamente excluyentes.

Para el conjunto de datos VAERS, la limpieza de datos se realiza eliminando los valores faltantes. Además, el conjunto de datos no se distribuye correctamente. El algoritmo de muestreo híbrido que combina técnicas de sobremuestreo y submuestreo se puede aplicar al conjunto de datos para superar este problema.

La demografía gráfica de las clases objetivo se proporciona en la Fig. 4 que representa la distribución de individuos para cada clase objetivo dentro del conjunto de datos para las vacunas PFIEZER, JANSSEN y MODERNA.

Distribución de clases para las reacciones adversas de los pacientes después de la vacunación con PFIEZE, JANSSEN y MODERNA.

Elegir las características correctas que pueden mejorar la precisión del modelo DL es un paso muy importante en el proceso de clasificación. La selección de funciones se puede definir como el proceso de elegir un subconjunto de funciones de un grupo de funciones originales que podrían influir más en el resultado. La selección de funciones mejora la calidad predictiva y el rendimiento, y la ventaja más importante de la selección de funciones es el menor tiempo de cálculo del modelo de clasificación. En el modelo propuesto se ha utilizado el algoritmo Pigeon para la fase de selección de características.

El algoritmo de Pigeon se ha utilizado durante la fase de selección de funciones para encontrar las mejores funciones. La función de costo utilizada se da en la ecuación. (3). La solución es un subconjunto de características seleccionadas del conjunto de características original en términos de Tasa de verdaderos positivos (TPR), Tasa de falsos positivos (FPR) y algunas características. Con esta función de aptitud, se eliminan todas las características que no afectan el TPR o el FPR, ya que no cambiarán la calidad de la solución. La ecuación (3) presenta la fórmula utilizada para evaluar la aptitud de la paloma o solución30.

donde N es el número de características seleccionadas, TN es el número total de características y a + b + c = 1.

Las tablas 3, 4 y 5 indican las mejores características seleccionadas por el optimizador Pigeon para las vacunas PFIEZER, JANSSEN y MODERNA respectivamente. Se puede notar que en el caso de la vacuna PFIEZER, algunas características se consideran significativas para las tres clases objetivo "Muerte", "Hospitalizado" y "Recuperado", como edad, alergias, dolor, "cuidados intensivos". Por otro lado, se observa que algunas funciones son específicas para una determinada clase de objetivo, como la función de 'taquicardia' para la clase de objetivo "Muerte", la función de 'sentirse anormal' para la clase de objetivo "Recuperado" y 'Prueba SARS-CoV-2 positivo' para la clase "Hospitalizados". De manera similar, para las vacunas JANSSEN y MODERNA, algunas características son comunes para las tres clases objetivo de pacientes y otras características son específicas para cada clase objetivo.

En el modelo propuesto, se predicen tres clases objetivo "Estado de muerte", "Hospitalizado" y clases "Recuperado", cabe señalar que las clases no son mutuamente excluyentes, lo que significa que más de una clase objetivo puede ocurrir en el mismo destinatario. . Por ejemplo, un receptor de la vacuna podría ser hospitalizado y luego morir, o ser hospitalizado y luego recuperarse. Por lo tanto, se predice una clase objetivo a la vez con cada tipo de vacuna, como se describe en la Fig. 5. Para cada vacuna (PFIEZER, JANSSEN y MODERNA), las tres clases objetivo "Estado de muerte", "Hospitalizado" y clases " Recuperado" se predicen uno a la vez. Es decir, se predice la clase objetivo "Estado de muerte" para la vacuna PFIEZER, se predice la clase objetivo "Hospitalizado" para la vacuna PFIEZER y finalmente se predice la clase objetivo "Recuperado" para la vacuna PFIEZER. Lo mismo se hace con las vacunas JANSSEN y MODERNA. En otras palabras, si un receptor toma PFIEZER, la probabilidad de que este receptor muera, sea hospitalizado o se recupere.

RNN para las tres clases objetivo para cada tipo de vacuna.

Esta sección proporciona los resultados de esta investigación. Los experimentos se realizaron en una computadora i5 de 3 GHz con una memoria principal de 4 GB y sistema operativo Windows 7 de 64 bits. El experimento se lleva a cabo utilizando el lenguaje de programación python.

Desde una perspectiva de farmacovigilancia para las vacunas COVID-19 estudiadas, el propósito de este estudio fue descubrir los efectos secundarios más comunes en cada categoría de pacientes.

Las Figuras 6, 7, 8 mostraron intersecciones de características entre las tres vacunas para las clases de pacientes "Muerte", "Hospitalizado" y "Recuperado", respectivamente. Se puede notar en las figuras que algunas características son comunes entre las tres vacunas mientras que otras se especifican para cada una de ellas.

Presenta la intersección entre las tres vacunas para la clase objetivo de pacientes "muertos".

Intersección de características entre las tres vacunas para la clase de pacientes "Hospitalizados".

Presenta la intersección entre las tres vacunas para la clase objetivo de los pacientes "Recuperados".

En la clase "Muerte", se encuentra que las tres vacunas comparten siete características (edad_años, eritema, alergias, paro cardíaco, accidente cerebrovascular, pérdida del conocimiento y ofc_visit), mientras que la característica de malestar torácico, por ejemplo, es específica para solo la vacuna PFIZER.

Las Figuras 9, 10 y 11 muestran el número de efectos secundarios en función de su efecto sobre los órganos en pacientes muertos, hospitalizados y recuperados después de las tres vacunas para cada clase. En el caso de la vacuna PFIEZER, los efectos secundarios relacionados con el SNC son los más comunes en todas las categorías de pacientes que los efectos secundarios relacionados con la sangre. Los terceros efectos secundarios más comunes en personas fallecidas, hospitalizadas y recuperadas son los efectos secundarios CVS, GIT y alergia, respectivamente, Fig. 9. En el caso de la vacuna JANSSEN, los efectos secundarios relacionados con el SNC son los más comunes en todas las categorías de pacientes. luego los efectos secundarios relacionados con CVS en caso de categorías fallecidas y recuperadas, Fig. 10.

Número de efectos secundarios en función de su efecto en órganos en pacientes fallecidos, hospitalizados y recuperados después de la vacuna PFIEZER.

Número de efectos secundarios en función de su efecto en los órganos de pacientes fallecidos, hospitalizados y recuperados después de la vacuna JANSSEN.

Sin efectos secundarios en función de su efecto sobre los órganos en pacientes muertos, hospitalizados y recuperados después de la vacuna MODERNA.

En el caso de la vacuna MODERNA, los efectos secundarios relacionados con el SNC son más comunes en todas las categorías de pacientes que los efectos secundarios relacionados con el SNA en muerte y recuperación. En casos hospitalizados, la sangre es el segundo efecto secundario más común. El tercer efecto secundario común en personas muertas y recuperadas son los efectos secundarios cardiovasculares, Fig. 11.

Entre varios tipos de modelos de aprendizaje profundo, las redes neuronales recurrentes (RNN) y las redes de memoria a corto plazo (LSTM) han ganado una atención significativa por su capacidad para manejar datos. En esta sección, compararemos los modelos RNN y LSTM para la clasificación de pacientes utilizando un clasificador de aprendizaje profundo. Exploraremos las fortalezas y limitaciones de cada modelo y destacaremos los factores y las diferentes métricas de evaluación del desempeño como (Exactitud, Recuperación, Especificidad, Precisión, F1_Score y tiempo computacional. Las tablas 6, 7 y 8 muestran una comparación entre los modelos RNN y LSTM para el clasificación de las reacciones adversas de los pacientes después de las tres vacunas de las tres clases objetivo "Estado de muerte", "Hospitalizado" y "Recuperado".

Las tablas anteriores y los resultados muestran que el modelo RNN superó al LSTM en varias métricas, como precisión, recuperación, especificidad, precisión y puntuación F1, lo que indica su rendimiento superior en las tareas de clasificación de pacientes. Por otro lado, el modelo RNN es peor que el LSTM con respecto al tiempo computacional y esta limitación será considerada como un punto de investigación para futuras investigaciones.

El clasificador RNN se ha probado utilizando diferentes valores para el tamaño del lote y las épocas. Las Figuras 12, 13 y 14 muestran la comparación del rendimiento de las reacciones adversas de los pacientes después de las tres vacunas en términos de exactitud, recuperación, especificidad, precisión y la puntuación F1 de las tres clases objetivo "Estado de muerte", "Hospitalizado" y " Recuperado". se observa que el desempeño del modelo propuesto fue mejor en la mayoría de los casos cuando se utilizaron 50 épocas y el tamaño del lote fue igual a 50. En consecuencia, los mejores parámetros utilizados para el clasificador RNN se dan en la Tabla 6.

Comparación de rendimiento para las reacciones adversas de los pacientes después de la vacuna PFIEZER utilizando diferentes números de épocas y diferentes tamaños de parche, donde E representa el número de épocas y B representa el tamaño del lote. (a) clasificación de los pacientes fallecidos. b) clasificación de los pacientes hospitalizados. c) clasificación de los pacientes recuperados.

Comparación de rendimiento para las reacciones adversas de los pacientes después de la vacuna JANSSEN usando un número diferente de épocas y diferente tamaño de parche donde E representa el número de épocas y B representa el tamaño del lote. a) clasificación de los pacientes fallecidos. b) clasificación de los pacientes hospitalizados. c) clasificación de los pacientes recuperados.

Comparación de rendimiento para las reacciones adversas de los pacientes después de MODERNA usando un número diferente de épocas y diferente tamaño de parche donde E representa el número de épocas y B representa el tamaño del lote. a) clasificación de los pacientes fallecidos. b) clasificación de los pacientes hospitalizados. c) clasificación de los pacientes recuperados.

Utilizando los parámetros del clasificador RNN proporcionados en la Tabla 9, se observa que el modelo propuesto proporciona las puntuaciones más altas de Exactitud, Recuperación, F1_Score, Especificidad y Precisión para el objetivo de clase "Estatuas de la muerte" en la vacunación PFIEZER con un valor de precisión del 96,03 % como se muestra en la Fig. 15. Mientras que en la vacunación de JANSSEN, la Fig. 16 mostró que la clase objetivo "Hospitalizado" tiene el rendimiento más alto con una lectura de precisión del 94,7%. Y finalmente, el modelo tiene el mejor desempeño para la clase "Recuperado" en la vacunación MODERNA con una precisión de 97.794% como se muestra en la Fig. 17.

Comparación del rendimiento de las reacciones adversas de los pacientes después de la vacunación con PFIEZER para cada clase.

Comparación del rendimiento de las reacciones adversas de los pacientes después de la vacunación con JANSSEN para cada clase.

Comparación del rendimiento de las reacciones adversas de los pacientes después de la vacunación con MODERNA para cada clase.

En las Figs. 18, 19 y 20 respectivamente. En las Figs. 21, 22 y 23 respectivamente.

Comparación de pérdidas para los conjuntos de datos de validación y entrenamiento de las reacciones adversas de los pacientes después de la vacuna PFIEZER. (a) pérdida del modelo para pacientes fallecidos. (b) pérdida del modelo para pacientes hospitalizados. (c) pérdida del modelo para pacientes recuperados.

Comparación de pérdidas para los conjuntos de datos de validación y entrenamiento de las reacciones adversas de los pacientes después de la vacuna JANSSEN. (a) pérdida del modelo para pacientes fallecidos. (b) pérdida del modelo para pacientes hospitalizados. (c) pérdida del modelo para pacientes recuperados.

Comparación de pérdidas para los conjuntos de datos de validación y entrenamiento de las reacciones adversas de los pacientes después de la vacuna MODERNA. (a) pérdida del modelo para pacientes fallecidos. (b) pérdida del modelo para pacientes hospitalizados. (c) pérdida del modelo para pacientes recuperados.

Comparación de precisión para los conjuntos de datos de validación y entrenamiento de las reacciones adversas de los pacientes después de la vacuna PFIEZER. (a) precisión para pacientes fallecidos. (b) precisión del modelo para pacientes hospitalizados. (c) precisión del modelo para pacientes recuperados.

Comparación de precisión para los conjuntos de datos de validación y entrenamiento de las reacciones adversas de los pacientes después de la vacuna JANSSEN. (a) precisión para pacientes muertos. (b) precisión del modelo para pacientes hospitalizados. (c) precisión del modelo para pacientes recuperados.

Comparación de precisión para los conjuntos de datos de validación y entrenamiento de las reacciones adversas de los pacientes después de la vacuna MODERNA. (a) precisión para pacientes muertos. (b) precisión del modelo para pacientes hospitalizados. (c) precisión del modelo para pacientes recuperados.

Por último, pero no menos importante, con el desarrollo de vacunas con un suministro inicial limitado, estos métodos pueden ser útiles para identificar pacientes de alto riesgo para campañas de vacunación primaria. Educar al público en general sobre la seguridad de las vacunas es fundamental para la salud pública y las campañas de vacunación a gran escala en curso y futuras. Los resultados obtenidos ayudarán en los enfoques de farmacovigilancia y seguridad de los medicamentos para elegir la mejor vacuna en función del historial médico del paciente.

Se realizó una prueba de rangos con signos de Wilcoxon para determinar si existe una diferencia estadísticamente significativa entre el modelo propuesto utilizando RNN y el modelo LSTM. La prueba de rango con signo de Wilcoxon es una prueba estadística no paramétrica que se utiliza para comparar dos muestras relacionadas. Se utiliza comúnmente para determinar si existe una diferencia significativa entre dos métodos o tratamientos aplicados al mismo grupo de sujetos. La prueba es particularmente útil cuando no se cumple el supuesto de normalidad o cuando el tamaño de la muestra es pequeño. La hipótesis nula de la prueba es que no hay diferencia entre las medianas poblacionales de las dos muestras, y la hipótesis alternativa es que las medianas no son iguales. Si el valor p es menor que el nivel de significación (normalmente 0,05), se rechaza la hipótesis nula y se concluye que existe una diferencia significativa entre las dos muestras31. Las estadísticas descriptivas de los dos modelos mostraron que RNN tenía una precisión media más alta que el modelo LSTM, donde la precisión media del modelo LSTM era 86,197778 (SD = 6,2431678) y la precisión media del modelo RNN era 91,941778 (SD = 4,9613537) como muestra en la Tabla 10.

La prueba de rango con signo de Wilcoxon indicó que el modelo RNN tenía un rango medio más alto (rango medio = 3,00) que el modelo LSTM, lo que indica una diferencia significativa entre los dos modelos. Además, hubo una diferencia significativa en la precisión entre los modelos LSTM y RNN (Z = − 2.312, p = 0.021 de dos colas). El valor Z negativo sugiere que Accuracy_RNN es estadísticamente significativamente más bajo que Accuracy_Lstm. El valor p de 0,021 indica que hay un 2,1 % de probabilidad de observar una diferencia tan grande entre los dos modelos solo por casualidad, y que esta diferencia es estadísticamente significativa al nivel de 0,05. Tabla 11: Resuma los resultados de la prueba de rango con signo de Wilcoxon para los modelos RNN y LSTM.

En este artículo, se ha desarrollado un modelo basado en DL para estudiar las reacciones adversas de Covid-19 después de la vacunación de tres vacunas (PFIEZER, JANSSEN y MODERNA). Solo se consideran tres categorías, Estado de muerte, Hospitalizado y Recuperado.

En base a la precisión obtenida, podemos concluir que el modelo propuesto es un modelo prometedor para identificar la relación entre el tipo de vacuna COVID-19 y los efectos secundarios que aparecen en los pacientes después de la vacunación.

Con base en el trabajo realizado, algunos puntos clave se resumen a continuación:

Se puede inferir que ciertos efectos secundarios se incrementaron en los pacientes según el tipo de vacunas contra el COVID-19.

Los efectos secundarios relacionados con el SNC y el modelo hematopoyético fueron elevados en todos los tipos de vacuna contra la COVID-19.

El análisis de la proporción de efectos secundarios que se detectaron en las personas hospitalizadas más que en las personas recuperadas según el tipo de vacuna contra el COVID-19.

El número de alergias y efectos secundarios cardiovasculares aumenta después de la vacunación con la vacuna PFIZER.

El número de GIT y efectos secundarios en la sangre aumentan después de la vacunación con la vacuna JANSSEN.

El número de efectos secundarios de sangre y alergias aumenta después de la vacunación con la vacuna MODERNA.

Como se ilustró anteriormente, la literatura es muy rica en investigación de COVID-19 y su correlación con diferentes campos científicos. Sin embargo, la mayor parte del trabajo, especialmente aquellos que involucran aplicaciones de IA, se relacionaron con la predicción o el diagnóstico de COVID-19, ya sea utilizando la condición actual y los síntomas del paciente como características o la radiografía de tórax para diagnosticar la enfermedad. Según nuestro conocimiento, esta es la primera investigación que utiliza DL para predecir los efectos adversos que un paciente puede experimentar después de la vacunación contra el COVID-19, lo que tendrá un impacto notable en las preocupaciones de salud pública relacionadas con la vacuna contra el COVID-19, ya sea en el nivel de tomar una dosis primaria, tomar una dosis de refuerzo de las vacunas ya aprobadas o para aquellas que aún están en desarrollo en las fases de desarrollo de vacunas preclínica, primera, segunda y tercera y se introducirá en el futuro más cercano.

Todavía se requiere la necesidad de obtener más información sobre COVID-19. El futuro sugirió trabajar para identificar la relación entre los efectos secundarios generados por las vacunas COVID-19 y otras vacunas aprobadas por la OMS para minimizar la gravedad de la administración de ambas terapias en un paciente específico. La aplicación de otro modelo de DL al problema investigado con un tiempo computacional satisfactorio puede mejorar la precisión de la predicción y puede considerarse como un nuevo punto para futuras investigaciones.

Los conjuntos de datos generados y/o analizados durante el estudio actual están disponibles en el repositorio [vaers], [https://vaers.hhs.gov/data/datasets.html]. No se utiliza ningún sujeto humano o animal en este estudio. Los datos son datos públicos.

https://www.who.int/ (Consultado en septiembre de 2022).

https://www.mayoclinic.org/diseases-conditions/coronavirus/in-depth/ different-types-of-covid-19-vaccines/art-20506465 (Consultado en septiembre de 2022).

Heidary, M. et al. Una revisión exhaustiva de las vacunas de subunidades de proteínas contra COVID-19. Frente. Microbiol. 14(13), 927306 (2022).

Artículo Google Académico

Jiang, L. et al. Un método de regresión de vecindario anclado adaptativo para la mejora de imágenes médicas. multimed. Aplicación de herramientas 79, 10533–10550 (2020).

Artículo Google Académico

Arel, I., Rose, DC & Karnowski, TP Aprendizaje automático profundo: una nueva frontera en la investigación de inteligencia artificial. Cómputo IEEE. Intel. revista 5(4), 13–18 (2020).

Artículo Google Académico

Rizk, Y., Hajj, N., Mitri, N. & Awad, M. Redes de creencias profundas y algoritmos corticales: un estudio comparativo para la clasificación supervisada. aplicación computar Informar. 15(2), 81–93 (2019).

Artículo Google Académico

Askr, H. et al. Aprendizaje profundo en el descubrimiento de fármacos: una revisión integradora y desafíos futuros. Artefacto Intel. Rev. 56, 1–63 (2022).

Google Académico

Arora, N., Banerjee, AK & Narasu, ML El papel de la inteligencia artificial en la lucha contra el COVID-19. fut. Virol. https://doi.org/10.2217/fvl-2020-0130 (2020).

Artículo Google Académico

Organización Mundial de la Salud. Enfermedad por coronavirus 2019 (COVID-19): informe de situación. 156. www.who.int/docs/default.source/coronaviruse/situation-reports/20200624-covid-19-sitrep-156.pdf?sfvrsn=af42e4802 (2020).

Kim, J.-M. et al. Identificación de coronavirus aislado de un paciente en Corea con COVID-19. Res. de Salud Pública de Osong. Perspectiva. 11(1), 3–7 (2020).

Artículo PubMed PubMed Central Google Académico

Guan, W. et al. Características clínicas de la enfermedad por coronavirus 2019 en China. N. ingl. J.Med. 382(18), 1708–1720 (2020).

Artículo CAS PubMed Google Académico

Ruan, S. Probabilidad de supervivencia de la enfermedad por coronavirus 2019. Lancet Infect. Dis. 20(6), 630–631 (2020).