دوره 9، شماره 2 - ( تابستان 1402 )
جلد 9 شماره 2 صفحات 205-192 |
برگشت به فهرست نسخه ها
Download citation:
BibTeX | RIS | EndNote | Medlars | ProCite | Reference Manager | RefWorks
Send citation to:
BibTeX | RIS | EndNote | Medlars | ProCite | Reference Manager | RefWorks
Send citation to:
Sohrabi N, Momeni H. The Use of Artificial Intelligence and Big Data for Dealing With COVID-19: A Review Study. JMIS 2023; 9 (2) :192-205
URL: http://jmis.hums.ac.ir/article-1-336-fa.html
URL: http://jmis.hums.ac.ir/article-1-336-fa.html
سهرابی نیلوفر، مومنی حامد. کاربرد هوش مصنوعی و کلان‌داده در مقابله با کرونا. اطلاع‌رسانی پزشکی نوین. 1402; 9 (2) :192-205
گروه فناوری اطلاعات سلامت، بیمارستان شهدای عشایر، دانشگاه علوم‌پزشکی لرستان، خرم‌آباد، ایران.
متن کامل [PDF 5644 kb]
(1596 دریافت)
| چکیده (HTML) (3142 مشاهده)
یافته‌ها
تاثیر همه‌گیری کرونا در سیستم‌های مراقبت بهداشتی
گسترش ویروس کرونا در اواسط ماه ژانویه 2020 شروع شد و در 11 مارس 2020 سازمان بهداشت جهانی این بیماری را به‌عنوان یک بیماری همه‌گیر جهانی اعلام کرد. این ویروس تاکنون قسمت‌های مختلف جهان را تحت تأثیر قرار داده است و میزان شیوع بالای آن و همچنین آسیب‌پذیری بیشتر افراد با سن کمتر و سیستم ایمنی ضعیف در مقابل این بیماری از ویژگی‌های بارز آن است [11].
آنچه از همان ابتدا برای مؤسسات و مراکز پزشکی مهم بوده است پویایی سلامت عمومی است [12]. یک سیستم مراقبت بهداشتی زمانی خوب است که زندگی مردم را ازنظر دارو و درمان بهبود بخشد [13]؛ اما علی‌رغم تلاش‌های زیاد در این زمینه، کرونا تاکنون توانسته است خسارات اقتصادی، بهداشتی و اختلال گسترده‌ای را ایجاد کند. همان‌طور که می‌دانیم خطرات همه‌گیری‌ها و بیماری‌ها در طول زندگی فرد را دچار مشکلات زیادی چه ازنظر جسمی و چه ازنظر روحی می‌کند. به همین دلیل است که همه‌گیری تأثیر مستقیمی بر مراقبت‌های بهداشتی دارد و نیاز جامعه به درمان سریع، مؤثر و مقرون‌به‌صرفه را بسیار مهم کرده است. خسارت‌هایی که تاکنون ویروس کرونا در همه زمینه‌ها ایجاد کرده است، همچنان در حال افزایش است. ازجمله صدماتی که بیماری کرونا در ارائه خدمات پزشکی ایجاد کرده است مربوط به خدمات درمان فشار خون بالا (53 درصد)، دیابت و عوارض آن (49 درصد)، سرطان (42 درصد) و بیماری‌های قلبی‌عروقی (31 درصد) است [14].
هوش مصنوعی
هوش مصنوعی یک دسته مفهومی گسترده از نرم‌افزارهای رایانه‌ای است که به‌منظور تقلید یا بهبود تصمیم‌گیری انسان طراحی شده است. هوش مصنوعی ابزاری قدرتمند است که می‌تواند در برابر همه‌گیری کووید-19 در‌مورد ارزیابی خطرات عفونت و غربالگری جمعیت بسیار مفید باشد. این برنامه کاربردی با استفاده از مدل‌های مبتنی بر کلان‌داده، برای شناخت، توضیح و پیش‌بینی الگوی شیوع بیماری استفاده می‌کند. از هوش مصنوعی می‌توان برای اعلان‌ها و هشدارهای اولیه، ردیابی و پیش‌بینی، جمع‌آوری داده‌ها، تشخیص و پیش‌آگهی، معالجه، درمان و کنترل اجتماعی استفاده کرد. همچنین با استفاده از هوش مصنوعی می‌توان آزمایش‌های بالینی، داروها و واکسن‌ها علیه این ویروس را بهینه کرد. مجموعه این اقدامات می‌تواند به بهبود عدالت در دسترسی به مراقبت بهداشتی، بهبود مراقبت‌های ویژه بیماران مبتلا به کووید-19 و حفظ ایمنی و سلامت شغلی کارکنان بهداشت و درمان منجر شود.
تصویربرداری پزشکی مانند اشعه ایکس و توموگرافی کامپیوتری نقش مهمی در مبارزه جهانی علیه کووید-19 دارد، درحالی‌که فناوری‌های هوش مصنوعی که اخیراً در حال ظهور هستند، قدرت ابزارهای تصویربرداری را تقویت کرده و به متخصصان پزشکی کمک می‌کنند. دستیابی به تصویری با توانمندسازی هوش مصنوعی می‌تواند به‌طور قابل‌توجهی به خودکارسازی روند اسکن کمک کند و تغییر شکل گردش کار را با حداقل تماس با بیماران، به بهترین وجه با محافظت از تکنسین‌های تصویربرداری انجام دهد. همچنین هوش مصنوعی می‌تواند با مشخص کردن دقیق عفونت در تصاویر با اشعه ایکس و سی‌تی‌اسکن، جریان کار را بهبود بخشد.
کاربرد هوش مصنوعی در پیش‌بینی و تشخیص کرونا
استفاده از هوش مصنوعی به کمک نتایج حاصل از سی‌تی‌اسکن، نتایج آزمایشگاهی و سابقه مواجهه بیماران، تشخیص سریع بیماران مبتلا به کووید-19 را به‌صورت سریع و مطمئن ممکن می‌کند. شناسایی سریع بیماران با استفاده از کاربرد یادگیری ماشین در تلفن‌های هوشمند، تهیه تاریخچه تماس‌ها و مسافرت‌ها و ارزیابی وضعیت سلامتی افراد از دیگر کاربردهای هوش مصنوعی برای کنترل بیماری کروناست [7].
هوش مصنوعی با کمک داده‌های نظارتی قبلی که در زمان‌های مختلف رایج هستند ویژگی‌ها، علل و دلایل گسترش عفونت را شناسایی کرده و به پیشگیری از ویروس‌ها و بیماری‌ها کمک می‌کند. همچنین می‌تواند برای پیشگیری از این بیماری با کمک تحلیل داده‌های بلادرنگ اطلاعات را به‌روزرسانی کند. هوش مصنوعی می‌تواند به‌سرعت علائم نامنظم را تجزیه‌وتحلیل کرده و درنتیجه به بیماران و مسئولان مراقبت بهداشت هشدار دهد. این کار به فراهم کردن تصمیم‌گیری سریع‌تر کمک می‌کند و مقرون‌به‌صرفه است. همچنین در تشخیص موارد آلوده به کمک فناوری‌های تصویربرداری پزشکی، مانند پرتونگاری کامپیوتری و تصویربرداری تشدید مغناطیسی از بخش‌های بدن انسان، مفید است [15].
در بین بسیاری از شاخه‌های هوش مصنوعی، یادگیری ماشین و یادگیری عمیق، دو رویکرد مهم هستند. یادگیری عمیق یک زیرمجموعه از یادگیری ماشین در هوش مصنوعی است که از عملکرد مغز انسان در پردازش داده‌ها و ایجاد الگوهایی برای استفاده در تصمیم‌گیری تقلید می‌کند و دارای شبکه‌هایی است که قادر به یادگیری بدون نظارت از داده‌های بدون ساختار هستند. یادگیری عمیق همراه با عصر دیجیتال تکامل یافته است که باعث انفجار داده‌ها در همه اشکال و از هر منطقه‌ای از جهان شده است. این داده‌ها که به‌سادگی به‌عنوان کلان‌داده‌ها شناخته می‌شوند، از منابع مختلفی استخراج می‌شوند [2].
تصویر شماره 2 روش کلی برنامه‌های کاربردی مبتنی بر هوش مصنوعی و غیر هوش مصنوعی را نشان می‌دهد که به پزشکان عمومی کمک می‌کند تا علائم کووید را شناسایی کنند.
References
متن کامل: (1244 مشاهده)
مقدمه
کرونا‌ویروس از خانواده ویروس‌هایی است که می‌تواند باعث ایجاد بیماری‌هایی مانند سندرم حاد تنفسی و سندرم تنفسی خاورمیانه شود. در سال 2019 کرونا‌ویروس به‌عنوان عامل شیوع بیماری در چین در سراسر جهان گسترش پیدا کرد [1, 2]. درحالحاضر جهان به‌شدت با یک بحران بی‌سابقه مراقبت بهداشتی ناشی از این ویروس مواجه است. سرعت انتقال و مقیاس جهانی عفونت‌های ناشی از این ویروس به‌قدری وسیع است که نیاز به اقدامات اساسی در حوزه‌های راهبردی، مدیریت منابع و کنترل عفونت وجود دارد. درحالحاضر، کنترل عفونت برای جلوگیری از گسترش ویروس مداخله اصلی مراقبت‌های بهداشتی است [3, 4].
استفاده از فناوری یکی از راه‌های مقابله با این بیماری است. در مطالعات انجام‌شده از توسعه فناوری در مقابله با همه‌گیری کرونا به‌عنوان انقلاب صنعتی چهارم یادشده و به نقش فناوری و نسل جدید تولیدات پیشرفته در این زمینه اشاره شده است [5, 6]. در شرایط همه‌گیری، این فناوری‌ها از سیستم‌های مراقبت‌های بهداشتی به‌طور قابل‌توجهی پشتیبانی می‌کنند. ما می‌توانیم نقش این فناوری‌ها را در سیستم‌های مراقبت بهداشتی در جایگاه پیش‌بینی، تشخیص و درمان بیماری دسته‌بندی کنیم.
با ظهور عصر داده‌های بزرگ، سیستم‌های مراقبت بهداشتی سنتی به دلیل محدود بودن منابع محاسباتی، نمی‌توانند عملکردی سریع داشته باشند. ازاین‌رو استفاده از هوش مصنوعی در بهبود و تسریع عملکرد فعالیت‌های مختلف بهداشتی و درمانی تأثیری بالقوه خواهد داشت. ازآنجایی‌که دولت‌ها و سازمان‌های بهداشتی برای مهار شیوع ویروس کرونا تلاش می‌کنند، به همه کمک‌هایی که می‌توانند دریافت کنند ازجمله هوش مصنوعی نیاز دارند. اگرچه فناوری‌های هوش مصنوعی فعلی از هوش انسانی فاصله زیادی دارند، اما ثابت شده‌اند که در ردیابی و شیوع بیماری، تشخیص بیماران، ضدعفونی کردن مناطق و تسریع درمان کووید-19 مفید هستند [7]. طبق گزارشات، شرکت Blue Dot که مبتنی بر هوش مصنوعی است، به‌طور شبانه‌روزی از یک سیستم نظارت بر عفونت استفاده کرده و بیش از 100000 مقاله‌ی آنلاین را در سراسر جهان با 65 زبان مختلف در 15 دقیقه مطالعه می‌کند. در 30 دسامبر سال 2019 این الگوریتم شاهد گسترش غیرمعمول موارد «ذات‌الریه» با دلیل ناشناخته در ووهان چین بود که خیلی قبل‌تر از آنکه شیوع بیماری به‌طور رسمی به‌عنوان بیماری کووید-19 شناخته شود آن را هشدار داده بود [8]. بنابراین، فناوری‌های نوظهور می‌توانند چنین بیماری‌های اپیدمی را پیش‌بینی کرده و هشدارهای لازم را جهت اقدامات پیشرفته انجام دهند.
در عصر اقتصاد امروزی داده‌ها یک منبع استراتژیک اساسی برای کشورها هستند و ظرفیت اجتماعی دولت‌ها و سطوح خدمات عمومی را افزایش می‌دهند. تولید داده‌ها به‌طور تصاعدی در حال رشد است و در بخش‌های مختلف زندگی به کار گرفته میشود که مزایای قابل‌توجهی برای کاربران مانند صنعت، تجارت، امور مالی، حمل‌ونقل، مراقبت‌های بهداشتی، ارتباطات و شبکه‌ها ارائه می‌دهند. در مراکز مراقبت‌های بهداشتی برای به دست آوردن داده‌های بیشتر از دستگاه‌ها، منابع، حسگرهای مختلف، رایانه، هوش مصنوعی، ماشین و تکنیک‌های یادگیری عمیق استفاده میشود. در این راستا، تجزیه‌وتحلیل داده‌های بزرگ، خدمات بهداشتی را پایدارتر و کارآمدتر می‌کند تا خدمات بهداشتی را به سمت مداخله زودهنگام، پیشگیری و مدیریت بهینه سوق دهد. با کشف همبستگی در داده‌ها و درک الگوها و روندها، فناوری کلان‌داده می‌تواند مراقبت‌های بهداشتی را بهبود بخشد، زندگی را نجات دهد و هزینه‌های سیستم سلامت را کاهش دهد [9]. با‌توجه‌به پیشرفت‌های اخیر در زمینه‌های مولکولی و محاسباتی و فناوری‌های اطلاعاتی و ارتباطی، هوش مصنوعی و کلان‌داده‌ها می‌توانند به کنترل حجم عظیم و بی‌سابقه داده‌های به‌دست‌آمده از نظارت سلامت عمومی، نظارت بر روند جاری، گزارش وضعیت موجود و به‌روزرسانی اطلاعات از مؤسسات و ادارات دولتی و اطلاعات به‌دست‌آمده از مراکز بهداشتی و درمانی کمک کنند [10].
هدف این مقاله نشان دادن کاربردهای بالقوه هوش مصنوعی و کلان‌داده برای مدیریت بیماری همه‌گیر است. درواقع این مطالعه قصد دارد تا با انجام یک مطالعه مروری به بررسی برخی کاربردهای فناوری‌های انقلاب صنعتی چهارم در شناسایی و کنترل بحران همه‌گیری کووید-19 بپردازد. انتظار می‌رود که با تمرکز بر این فناوری‌ها، بتوان نقش برجسته آن‌ها را در ترویج و تدوین سیاست‌های بهداشتی جدید نشان داد.
مواد و روش‌ها
این پژوهش از نوع مطالعات مروری است که در سال 1399 با هدف بررسی استفاده از هوش مصنوعی و کلان‌داده‌ها در حوزه سلامت در مقابله با همه‌گیری کووید-19 انجام شد. ابتدا به جست‌وجوی منابع مرتبط با پژوهش در پایگاه‌های پابمد، پایگاه مرگز اطلاعات علمی جهاد دانشگاهی، گوگل‌اسکالر و ساینس دایرکت پرداخته شد. مقالاتی که در عنوان یا خلاصه آن‌ها واژه‌های Corona Virus و COVID-19 به همراه واژه‌های Artificial Intelligence و Big Data و همچنین معادل فارسی آن‌ها شامل کرونا‌ویروس، کووید-19، هوش مصنوعی و کلان‌داده مشاهده شد انتخاب شدند که سال تألیف آن‌ها مربوط به 2020 و هم‌زمان با اعلام رسمی شیوع کرونا بود. معیارهای موردنظر در دسترس بودن متن کامل مقاله و زبان انتشار فارسی و انگلیسی بود. در جست‌وجو 150 مطالعه یافت شد که موارد تکراری با استفاده از نرم‌افزار Endnote حذف و مطالعات مرتبط از موارد نامرتبط جدا شدند. همچنین مطالعات با‌توجه‌به معیارهای ورود و خروج و ارزیابی کیفی موردبررسی قرار گرفتند که درنهایت 9 مقاله وارد مطالعه شد (تصویر شماره 1).
کرونا‌ویروس از خانواده ویروس‌هایی است که می‌تواند باعث ایجاد بیماری‌هایی مانند سندرم حاد تنفسی و سندرم تنفسی خاورمیانه شود. در سال 2019 کرونا‌ویروس به‌عنوان عامل شیوع بیماری در چین در سراسر جهان گسترش پیدا کرد [1, 2]. درحالحاضر جهان به‌شدت با یک بحران بی‌سابقه مراقبت بهداشتی ناشی از این ویروس مواجه است. سرعت انتقال و مقیاس جهانی عفونت‌های ناشی از این ویروس به‌قدری وسیع است که نیاز به اقدامات اساسی در حوزه‌های راهبردی، مدیریت منابع و کنترل عفونت وجود دارد. درحالحاضر، کنترل عفونت برای جلوگیری از گسترش ویروس مداخله اصلی مراقبت‌های بهداشتی است [3, 4].
استفاده از فناوری یکی از راه‌های مقابله با این بیماری است. در مطالعات انجام‌شده از توسعه فناوری در مقابله با همه‌گیری کرونا به‌عنوان انقلاب صنعتی چهارم یادشده و به نقش فناوری و نسل جدید تولیدات پیشرفته در این زمینه اشاره شده است [5, 6]. در شرایط همه‌گیری، این فناوری‌ها از سیستم‌های مراقبت‌های بهداشتی به‌طور قابل‌توجهی پشتیبانی می‌کنند. ما می‌توانیم نقش این فناوری‌ها را در سیستم‌های مراقبت بهداشتی در جایگاه پیش‌بینی، تشخیص و درمان بیماری دسته‌بندی کنیم.
با ظهور عصر داده‌های بزرگ، سیستم‌های مراقبت بهداشتی سنتی به دلیل محدود بودن منابع محاسباتی، نمی‌توانند عملکردی سریع داشته باشند. ازاین‌رو استفاده از هوش مصنوعی در بهبود و تسریع عملکرد فعالیت‌های مختلف بهداشتی و درمانی تأثیری بالقوه خواهد داشت. ازآنجایی‌که دولت‌ها و سازمان‌های بهداشتی برای مهار شیوع ویروس کرونا تلاش می‌کنند، به همه کمک‌هایی که می‌توانند دریافت کنند ازجمله هوش مصنوعی نیاز دارند. اگرچه فناوری‌های هوش مصنوعی فعلی از هوش انسانی فاصله زیادی دارند، اما ثابت شده‌اند که در ردیابی و شیوع بیماری، تشخیص بیماران، ضدعفونی کردن مناطق و تسریع درمان کووید-19 مفید هستند [7]. طبق گزارشات، شرکت Blue Dot که مبتنی بر هوش مصنوعی است، به‌طور شبانه‌روزی از یک سیستم نظارت بر عفونت استفاده کرده و بیش از 100000 مقاله‌ی آنلاین را در سراسر جهان با 65 زبان مختلف در 15 دقیقه مطالعه می‌کند. در 30 دسامبر سال 2019 این الگوریتم شاهد گسترش غیرمعمول موارد «ذات‌الریه» با دلیل ناشناخته در ووهان چین بود که خیلی قبل‌تر از آنکه شیوع بیماری به‌طور رسمی به‌عنوان بیماری کووید-19 شناخته شود آن را هشدار داده بود [8]. بنابراین، فناوری‌های نوظهور می‌توانند چنین بیماری‌های اپیدمی را پیش‌بینی کرده و هشدارهای لازم را جهت اقدامات پیشرفته انجام دهند.
در عصر اقتصاد امروزی داده‌ها یک منبع استراتژیک اساسی برای کشورها هستند و ظرفیت اجتماعی دولت‌ها و سطوح خدمات عمومی را افزایش می‌دهند. تولید داده‌ها به‌طور تصاعدی در حال رشد است و در بخش‌های مختلف زندگی به کار گرفته میشود که مزایای قابل‌توجهی برای کاربران مانند صنعت، تجارت، امور مالی، حمل‌ونقل، مراقبت‌های بهداشتی، ارتباطات و شبکه‌ها ارائه می‌دهند. در مراکز مراقبت‌های بهداشتی برای به دست آوردن داده‌های بیشتر از دستگاه‌ها، منابع، حسگرهای مختلف، رایانه، هوش مصنوعی، ماشین و تکنیک‌های یادگیری عمیق استفاده میشود. در این راستا، تجزیه‌وتحلیل داده‌های بزرگ، خدمات بهداشتی را پایدارتر و کارآمدتر می‌کند تا خدمات بهداشتی را به سمت مداخله زودهنگام، پیشگیری و مدیریت بهینه سوق دهد. با کشف همبستگی در داده‌ها و درک الگوها و روندها، فناوری کلان‌داده می‌تواند مراقبت‌های بهداشتی را بهبود بخشد، زندگی را نجات دهد و هزینه‌های سیستم سلامت را کاهش دهد [9]. با‌توجه‌به پیشرفت‌های اخیر در زمینه‌های مولکولی و محاسباتی و فناوری‌های اطلاعاتی و ارتباطی، هوش مصنوعی و کلان‌داده‌ها می‌توانند به کنترل حجم عظیم و بی‌سابقه داده‌های به‌دست‌آمده از نظارت سلامت عمومی، نظارت بر روند جاری، گزارش وضعیت موجود و به‌روزرسانی اطلاعات از مؤسسات و ادارات دولتی و اطلاعات به‌دست‌آمده از مراکز بهداشتی و درمانی کمک کنند [10].
هدف این مقاله نشان دادن کاربردهای بالقوه هوش مصنوعی و کلان‌داده برای مدیریت بیماری همه‌گیر است. درواقع این مطالعه قصد دارد تا با انجام یک مطالعه مروری به بررسی برخی کاربردهای فناوری‌های انقلاب صنعتی چهارم در شناسایی و کنترل بحران همه‌گیری کووید-19 بپردازد. انتظار می‌رود که با تمرکز بر این فناوری‌ها، بتوان نقش برجسته آن‌ها را در ترویج و تدوین سیاست‌های بهداشتی جدید نشان داد.
مواد و روش‌ها
این پژوهش از نوع مطالعات مروری است که در سال 1399 با هدف بررسی استفاده از هوش مصنوعی و کلان‌داده‌ها در حوزه سلامت در مقابله با همه‌گیری کووید-19 انجام شد. ابتدا به جست‌وجوی منابع مرتبط با پژوهش در پایگاه‌های پابمد، پایگاه مرگز اطلاعات علمی جهاد دانشگاهی، گوگل‌اسکالر و ساینس دایرکت پرداخته شد. مقالاتی که در عنوان یا خلاصه آن‌ها واژه‌های Corona Virus و COVID-19 به همراه واژه‌های Artificial Intelligence و Big Data و همچنین معادل فارسی آن‌ها شامل کرونا‌ویروس، کووید-19، هوش مصنوعی و کلان‌داده مشاهده شد انتخاب شدند که سال تألیف آن‌ها مربوط به 2020 و هم‌زمان با اعلام رسمی شیوع کرونا بود. معیارهای موردنظر در دسترس بودن متن کامل مقاله و زبان انتشار فارسی و انگلیسی بود. در جست‌وجو 150 مطالعه یافت شد که موارد تکراری با استفاده از نرم‌افزار Endnote حذف و مطالعات مرتبط از موارد نامرتبط جدا شدند. همچنین مطالعات با‌توجه‌به معیارهای ورود و خروج و ارزیابی کیفی موردبررسی قرار گرفتند که درنهایت 9 مقاله وارد مطالعه شد (تصویر شماره 1).
یافته‌ها
تاثیر همه‌گیری کرونا در سیستم‌های مراقبت بهداشتی
گسترش ویروس کرونا در اواسط ماه ژانویه 2020 شروع شد و در 11 مارس 2020 سازمان بهداشت جهانی این بیماری را به‌عنوان یک بیماری همه‌گیر جهانی اعلام کرد. این ویروس تاکنون قسمت‌های مختلف جهان را تحت تأثیر قرار داده است و میزان شیوع بالای آن و همچنین آسیب‌پذیری بیشتر افراد با سن کمتر و سیستم ایمنی ضعیف در مقابل این بیماری از ویژگی‌های بارز آن است [11].
آنچه از همان ابتدا برای مؤسسات و مراکز پزشکی مهم بوده است پویایی سلامت عمومی است [12]. یک سیستم مراقبت بهداشتی زمانی خوب است که زندگی مردم را ازنظر دارو و درمان بهبود بخشد [13]؛ اما علی‌رغم تلاش‌های زیاد در این زمینه، کرونا تاکنون توانسته است خسارات اقتصادی، بهداشتی و اختلال گسترده‌ای را ایجاد کند. همان‌طور که می‌دانیم خطرات همه‌گیری‌ها و بیماری‌ها در طول زندگی فرد را دچار مشکلات زیادی چه ازنظر جسمی و چه ازنظر روحی می‌کند. به همین دلیل است که همه‌گیری تأثیر مستقیمی بر مراقبت‌های بهداشتی دارد و نیاز جامعه به درمان سریع، مؤثر و مقرون‌به‌صرفه را بسیار مهم کرده است. خسارت‌هایی که تاکنون ویروس کرونا در همه زمینه‌ها ایجاد کرده است، همچنان در حال افزایش است. ازجمله صدماتی که بیماری کرونا در ارائه خدمات پزشکی ایجاد کرده است مربوط به خدمات درمان فشار خون بالا (53 درصد)، دیابت و عوارض آن (49 درصد)، سرطان (42 درصد) و بیماری‌های قلبی‌عروقی (31 درصد) است [14].
هوش مصنوعی
هوش مصنوعی یک دسته مفهومی گسترده از نرم‌افزارهای رایانه‌ای است که به‌منظور تقلید یا بهبود تصمیم‌گیری انسان طراحی شده است. هوش مصنوعی ابزاری قدرتمند است که می‌تواند در برابر همه‌گیری کووید-19 در‌مورد ارزیابی خطرات عفونت و غربالگری جمعیت بسیار مفید باشد. این برنامه کاربردی با استفاده از مدل‌های مبتنی بر کلان‌داده، برای شناخت، توضیح و پیش‌بینی الگوی شیوع بیماری استفاده می‌کند. از هوش مصنوعی می‌توان برای اعلان‌ها و هشدارهای اولیه، ردیابی و پیش‌بینی، جمع‌آوری داده‌ها، تشخیص و پیش‌آگهی، معالجه، درمان و کنترل اجتماعی استفاده کرد. همچنین با استفاده از هوش مصنوعی می‌توان آزمایش‌های بالینی، داروها و واکسن‌ها علیه این ویروس را بهینه کرد. مجموعه این اقدامات می‌تواند به بهبود عدالت در دسترسی به مراقبت بهداشتی، بهبود مراقبت‌های ویژه بیماران مبتلا به کووید-19 و حفظ ایمنی و سلامت شغلی کارکنان بهداشت و درمان منجر شود.
تصویربرداری پزشکی مانند اشعه ایکس و توموگرافی کامپیوتری نقش مهمی در مبارزه جهانی علیه کووید-19 دارد، درحالی‌که فناوری‌های هوش مصنوعی که اخیراً در حال ظهور هستند، قدرت ابزارهای تصویربرداری را تقویت کرده و به متخصصان پزشکی کمک می‌کنند. دستیابی به تصویری با توانمندسازی هوش مصنوعی می‌تواند به‌طور قابل‌توجهی به خودکارسازی روند اسکن کمک کند و تغییر شکل گردش کار را با حداقل تماس با بیماران، به بهترین وجه با محافظت از تکنسین‌های تصویربرداری انجام دهد. همچنین هوش مصنوعی می‌تواند با مشخص کردن دقیق عفونت در تصاویر با اشعه ایکس و سی‌تی‌اسکن، جریان کار را بهبود بخشد.
کاربرد هوش مصنوعی در پیش‌بینی و تشخیص کرونا
استفاده از هوش مصنوعی به کمک نتایج حاصل از سی‌تی‌اسکن، نتایج آزمایشگاهی و سابقه مواجهه بیماران، تشخیص سریع بیماران مبتلا به کووید-19 را به‌صورت سریع و مطمئن ممکن می‌کند. شناسایی سریع بیماران با استفاده از کاربرد یادگیری ماشین در تلفن‌های هوشمند، تهیه تاریخچه تماس‌ها و مسافرت‌ها و ارزیابی وضعیت سلامتی افراد از دیگر کاربردهای هوش مصنوعی برای کنترل بیماری کروناست [7].
هوش مصنوعی با کمک داده‌های نظارتی قبلی که در زمان‌های مختلف رایج هستند ویژگی‌ها، علل و دلایل گسترش عفونت را شناسایی کرده و به پیشگیری از ویروس‌ها و بیماری‌ها کمک می‌کند. همچنین می‌تواند برای پیشگیری از این بیماری با کمک تحلیل داده‌های بلادرنگ اطلاعات را به‌روزرسانی کند. هوش مصنوعی می‌تواند به‌سرعت علائم نامنظم را تجزیه‌وتحلیل کرده و درنتیجه به بیماران و مسئولان مراقبت بهداشت هشدار دهد. این کار به فراهم کردن تصمیم‌گیری سریع‌تر کمک می‌کند و مقرون‌به‌صرفه است. همچنین در تشخیص موارد آلوده به کمک فناوری‌های تصویربرداری پزشکی، مانند پرتونگاری کامپیوتری و تصویربرداری تشدید مغناطیسی از بخش‌های بدن انسان، مفید است [15].
در بین بسیاری از شاخه‌های هوش مصنوعی، یادگیری ماشین و یادگیری عمیق، دو رویکرد مهم هستند. یادگیری عمیق یک زیرمجموعه از یادگیری ماشین در هوش مصنوعی است که از عملکرد مغز انسان در پردازش داده‌ها و ایجاد الگوهایی برای استفاده در تصمیم‌گیری تقلید می‌کند و دارای شبکه‌هایی است که قادر به یادگیری بدون نظارت از داده‌های بدون ساختار هستند. یادگیری عمیق همراه با عصر دیجیتال تکامل یافته است که باعث انفجار داده‌ها در همه اشکال و از هر منطقه‌ای از جهان شده است. این داده‌ها که به‌سادگی به‌عنوان کلان‌داده‌ها شناخته می‌شوند، از منابع مختلفی استخراج می‌شوند [2].
تصویر شماره 2 روش کلی برنامه‌های کاربردی مبتنی بر هوش مصنوعی و غیر هوش مصنوعی را نشان می‌دهد که به پزشکان عمومی کمک می‌کند تا علائم کووید را شناسایی کنند.
این نمودار روند درمان را با و بدون در نظر گرفتن هوش مصنوعی با یکدیگر مقایسه می‌کند و تأثیر هوش مصنوعی را در مراحل مهم درمان با دقت بالا توضیح می‌دهد. همچنین پیچیدگی و زمان صرف‌شده را کاهش می‌دهد. پزشک علاوه بر تمرکز بر درمان بیمار بر کنترل بیماری نیز تمرکز دارد. در این مراحل علائم اصلی و تجزیه‌وتحلیل آزمایش با کمک هوش مصنوعی با بالاترین دقت انجام میشود. همچنین تعداد کل مراحل انجام‌شده در کل فرآیند کاهش می‌یابد و ماهیت آن مشخص‌تر میشود [15].
جین و همکاران، چندین مدل شبکه عصبی پیچیده مبتنی بر یادگیری عمیق را آزمایش و عملکرد آن‌ها را با هم مقایسه کردند تا بیماران مبتلا به کووید-19 را با استفاده از اسکن اشعه ایکس قفسه سینه طبقه‌بندی کنند. برای تجزیه‌وتحلیل عملکرد مدل، 6432 نمونه اسکن اشعه ایکس قفسه سینه جمع‌آوری شد. نتایج نشان داد مدل Xception بالاترین دقت یعنی 97 درصد را برای تشخیص تصاویر اشعه ایکس قفسه سینه ارائه می‌دهد که سریع‌ترین رویکرد برای شناسایی بیماران مبتلا به کووید-19 بود [16].
ونگ و همکاران یک مدل با عنوان COVID-Net را به‌عنوان یک طراحی شبکه عصبی پیچیده برای تشخیص موارد کووید-19 با استفاده از تصاویر اشعه ایکس قفسه سینه معرفی کردند. این مدل افراد را به 3 دسته نرمال، افراد آلوده‌شده و افراد آلوده‌نشده طبقه‌بندی می‌کند. کادر پزشکی با استفاده از این طبقه‌بندی قادر خواهد بود روش‌های استاندارد و استراتژی‌های درمانی را به کار بگیرد [17].
در مطالعه امران و همکاران یک چارچوب غربالگری مبتنی بر هوش مصنوعی ارائه داده شد که از‌طریق یک برنامه تلفن هوشمند به نام AI4COVID-19 قابل‌استفاده است. داده‌های ورودی این سیستم سیگنال‌های صوتی و سرفه هستند که توسط تلفن‌های هوشمند ضبط شده است. نتایج نشان می‌دهد که AI4COVID-19 می‌تواند بین سرفه‌های کووید-19 و چندین نوع سرفه غیر کووید تمایز قائل شود. این سیستم نتایج بسیار امیدوارکننده‌ای به دست آورده است و با دقت بالا می‌تواند بیماری را تشخیص دهد [18].
عباسیان و همکاران در مطالعه خود از روشی سریع و معتبر برای تشخیص کووید-19 با استفاده از فناوری هوش مصنوعی استفاده کردند که در آن 1020 برش CT از 108 بیمار مبتلا به کووید-19 و 86 بیمار مبتلا به سایر بیماری‌های پنومونی غیر کووید وارد مطالعه شد. 10 شبکه عصبی پیچیده برای تشخیص عفونت کووید-19 از گروه‌های غیر کووید استفاده شد که در بین آن‌ها بهترین عملکرد توسط ResNet 101 با 99 درصد (حساسیت 100 درصد، ویژگی 99/02 درصد و دقت 99/51 درصد) و Xception با 99 درصد (حساسیت 98/04 درصد، ویژگی 100 درصد و دقت 99/02 درصد) به‌عنوان مدل‌هایی با حساسیت بالا برای شناسایی و تشخیص عفونت‌های کووید-19 به دست آمد [19].
سلمان و همکاران مطالعه‌ای با هدف ایجاد مدلی با استفاده از یادگیری عمیق برای تشخیص کووید-19 در اشعه ایکس با وضوح بالا، کاهش فشار کاری رادیولوژیست‌ها و کمک به کنترل همه‌گیری انجام دادند. برای توسعه مدل پیشنهادی، اعتبارسنجی و آزمایش 260 تصویر موجود (130 تصویر کووید-19 و 130 تصویر معمولی) با استفاده از تصاویر اشعه ایکس قفسه سینه برای اهداف شبیه‌سازی استفاده شد و محتوای مطالعه بر‌اساس داده‌های موجود در سازمان بهداشت جهانی، مرکز کنترل و پیشگیری بیماری‌ها، آژانس اتحادیه اروپا و سایر وب‌سایت‌های رسمی در سراسر جهان بود. یافته‌ها نشان داد مدل پیشنهادی با حساسیت، ویژگی و دقت 100 درصد قابلیت تشخیص این بیماری را دارد [2].
مقداد و همکاران چارچوب جدیدی برای شناسایی کووید-19 با استفاده از حسگرهای داخلی گوشی هوشمند پیشنهاد دادند. چارچوب طراحی‌شده که مجهز به هوش مصنوعی است می‌تواند اندازه‌گیری سیگنال حسگرهای گوشی‌های هوشمند را برای پیش‌بینی درجه شدت درگیری ریه و همچنین پیش‌بینی نتیجه بیماری بخواند و توسط پزشک یا رادیولوژیست‌هایی که در هر زمان و هر مکان به تلفن‌های هوشمند دسترسی دارند، استفاده شود [20].
کلان‌داده‌ها
کلان‌داده‌ها به انواع داده‌ها با در نظر گرفتن حجم، تنوع، ارزش، صحت و پویایی آن‌ها اشاره دارد. این داده‌ها می‌توانند داده‌های ایجادشده توسط ماشین و یا داده‌های شبکه‌های اجتماعی باشد [21].
توانایی کلان‌داده‌ها در حمایت از مبارزه با بیماری‌های عفونی مانند کووید-19 ثابت شده است [22]. کلان‌داده‌ها به‌طور بالقوه تعدادی راه‌حل امیدوارکننده برای کمک به مبارزه با همه‌گیری کووید-19 ارائه می‌دهند و با ترکیب با تجزیه‌وتحلیل هوش مصنوعی، به ما کمک می‌کنند تا این بیماری را ازنظر ردیابی شیوع، ساختار ویروس، درمان بیماری و ساخت واکسن درک کنیم [23]. برای مثال، کلان‌داده‌های مرتبط با ابزارهای مبتنی بر هوش مصنوعی می‌توانند مدل‌های شبیه‌سازی پیچیده‌ای را برای شیوع با استفاده از جریان داده‌های ویروس کرونا ایجاد کنند.
فناوری تحلیل دیداری امکان ارتباط بین مجموعه کلان‌داده‌ها را فراهم می‌کند و متخصصان را قادر می‌کند تا تشخیص دیداری بهتری به دست آورند و تصمیم‌گیری مؤثرتری داشته باشند. درحالحاضر دولت‌ها از کلان‌داده به‌منظور تحلیل‌های دیداری از داده‌های نظارتی، همه‌گیری، منابع درمانی، بیمارستانی و نظارت شخصی جهت تصمیم‌گیری استفاده می‌کنند. تحلیل‌های دیداری‌سازی عمدتاً از‌طریق سیستم‌های اطلاعات جغرافیایی به دست می‌آید. فناوری سیستم‌های اطلاعات جغرافیایی باید مجهز به جمع‌آوری مناسب کلان‌داده شود. به‌منظور تحلیل و پردازش این داده‌ها از زیرساخت‌های مناسبی استفاده میشود [9، 24].
کاربرد کلان‌داده‌ها در پیش‌بینی و تشخیص کرونا
کلان داده این توانایی را دارد که از فرایندهای تشخیص و درمان کووید-19 پشتیبانی کند. نتایج تحقیقات حاصل از مطالعات نشان می‌دهد که کلان‌داده می‌تواند به مراقبت‌های بهداشتی کمک کند تا عملیات پزشکی مختلف را (تشخیص زودهنگام، تجزیه‌وتحلیل بیماری و پیش‌بینی نتایج درمان) ارائه دهد [25, 26]. درواقع، کلان‌داده به‌طور بالقوه پیش‌بینی شیوع بیماری را در گستره جهانی با استفاده از ابزارهای تحلیلی داده‌ها بر روی مجموعه داده‌های عظیم جمع‌آوری‌شده از منابع موجود، مانند سازمان‌های بهداشتی و مؤسسات مراقبت‌های بهداشتی ممکن می‌کند [27, 28]. همچنین به‌عنوان یک راه‌حل امیدوارکننده برای ردیابی شیوع ویروس کرونا با ترکیب با ابزارهای هوشمندی مانند یادگیری ماشین و یادگیری عمیق برای ساخت مدل‌های پیش‌بینی ظاهر شده است که برای دولت‌ها در نظارت بر شیوع احتمالی کووید-19 در آینده بسیار مفید است.
در مطالعه ژائو و همکاران از یک مدل به نام SUQC استفاده شد که شامل افراد حساس، غیر‌قرنطینه‌شده، آلوده قرنطینه‌شده و آلوده تأیید‌شده بود و برای توصیف پویایی کووید-19 و مشخص کردن اثرات مداخله اقدامات کنترلی ایجاد شد. تعداد افراد مبتلا به این بیماری در 5 منطقه مختلف از کشور چین موردبررسی قرار گرفت. داده‌های مربوط به شیوع بیماری از منابع موثق نظیر کمیسیون ملی بهداشت و شهرداری چین جمع‌آوری شد. این کلان‌داده‌ها به محققان اجازه می‌دهند تا پیش‌بینی شیوع کووید-19 را به‌عنوان مثال شناسایی مناطق پرخطر و تشخیص جمعیت‌هایی با تعداد بالای موارد آلوده شبیه‌سازی کنند [29].
در مطالعه کاستورینا و همکاران از مجموعه داده‌های جمع‌آوری‌شده از چین، سنگاپور، کره جنوبی و ایتالیا برای ساخت یک مدل تحلیلی جامع برای شناسایی گسترش ویروس با استفاده از مدل‌سازی و یادگیری داده‌ها استفاده شد. این مدل تعداد بیماران مبتلا در یک منطقه مشخص برای ارزیابی مؤثر پیشگیری و نظارت بر شیوع بیماری کووید-19، به‌ویژه مناطق نزدیک شیوع بیماری همه‌گیر را نشان می‌دهد [30].
وو و همکاران در مطالعه خود در‌مورد کاربرد فناوری کلان‌داده برای پیشگیری، مهار و کنترل کووید-19 در چین بحث کردند. در این مطالعه همچنین درباره روش‌های جمع‌آوری داده‌ها و اطلاعات کلیدی داده‌ای که قبل از شیوع کووید-19 در چین وجود داشت و اینکه چگونه این داده‌ها در پیشگیری و کنترل کووید-19 نقش داشتند، بحث شد. نتایج مطالعه نشان داد در فرایند پیشگیری و کنترل کووید-19 در چین، فناوری کلان‌داده نقش مهمی در ردیابی شخصی، نظارت و هشدار اولیه، ردیابی منابع ویروس، غربالگری دارو، درمان پزشکی، تخصیص منابع و بازیابی تولید داده‌های موردنظر دارد [9].
جدول شماره 1 مقایسه فناوری‌های مورداستفاده جهت پیش‌بینی و تشخیص ویروس کرونا در حوزه‌های مختلف را نشان می‌دهد.
بر‌اساس بررسی‌های این مطالعه روش‌های موجود در حوزه پیش‌بینی و تشخیص بیماری کرونا تأثیرگذار بوده است.
بحث
در این مقاله، یک مطالعه تطبیقی در‌مورد راه‌حل‌های پیشرفته در مبارزه با ویروس کرونا ازجمله استفاده از هوش مصنوعی و کلان‌داده برای یافتن رویکردهای سریع که می‌توانند به‌طور مؤثری با بیماری کووید-19 مقابله کنند، ارائه شد و انواعی از این فناوری برای پیش‌بینی و تشخیص بیماری بررسی شد.
مطالعات نشان داد هوش مصنوعی فناوری امیدوارکننده‌ای است که می‌تواند از راه‌های مختلفی برای مقابله با وضعیت بیماری کرونا کمک کند. این فناوری در پیش‌بینی شیوع بیماری، تشخیص و درمان آن با استفاده از مطالعه، دسترسی به کلان‌داده و طبقه‌بندی داده‌های پزشکی مورد تأیید قرار گرفته است. مطالعات ذکرشده از روش‌ها و مدل‌های مختلفی برای پیش‌بینی و تشخیص بیماری کووید-19 استفاده کرده‌اند که همگی دارای دقت بالا هستند. مطالعات نشان می‌دهند سی‌تی نقش مهمی در تشخیص زودهنگام کووید-19 دارد و درواقع یک روش اصلی است. طبق جدول شماره 1 یادگیری عمیق دقت بیش از 90 درصد را در تشخیص بیماری نشان می‌دهد که توانایی این روش در تجزیه‌وتحلیل تصاویر پزشکی را بیان می‌کند. یادگیری عمیق، ضرورت جمع‌آوری کردن کلان‌داده را در این زمینه ایجاب می‌کند تا تحلیل دقیق‌تری صورت بگیرد. مطالعات نشان می‌دهد کلان‌داده در حال تبدیل شدن به ابزاری قدرتمند برای تجزیه‌وتحلیل داده‌ها و شناسایی الگویی است که می‌تواند در تشخیص و بهبود کووید-19 مؤثر باشد. نقش مهم آن در مقابله با این بیماری از مرحله اول یعنی پیش‌بینی و تشخیص شروع میشود و هرچه داده‌های بیشتر و باکیفیت‌تری وجود داشته باشد دقت آن نیز بیشتر میشود.
نتیجه‌گیری
امروزه فناوری و دستگاه‌های اطلاعات سلامت درهم‌تنیده و به‌سرعت در حال گسترش هستند و همچنان از فناوری‌های ذکرشده در پیش‌بینی و درمان این ویروس می‌توان استفاده‌های مؤثرتری به عمل آورد و استفاده از ظرفیت کامل این فن‌آوری‌ها نیاز به اقدامات تکمیلی در این حوزه دارد. ازجمله اقدامات تکمیلی رفع چالش‌هایی است که در این زمینه وجود دارد. یکی از این چالش‌ها به‌کارگیری فناوری و هزینه‌بر بودن آن است و استفاده از آن مستلزم به‌روزرسانی مداوم است. از دیگر چالش‌ها فقدان مجموعه داده‌های استاندارد است. داده‌ها به‌منظور تبدیل هوش مصنوعی و برنامه‌های کاربردی کلان‌داده به یک راه‌حل قابل‌اعتماد برای مبارزه با ویروس کووید-19 موردنیاز هستند، اما فقدان مجموعه داده‌های استاندارد مانع از آن میشود. برای غلبه بر این چالش، دولت، مراکز و سازمان‌های بهداشتی نقشی کلیدی ایفا می‌کنند زیرا می‌توانند با مجموعه داده‌های با کیفیت بالا و بزرگ کار کنند. همچنین می‌توان انواع منابع داده مانند اسکن اشعه ایکس و سی‌تی‌اسکن از بیمارستان‌ها، داده‌های ماهواره‌ای، اطلاعات شخصی و گزارش‌های برنامه‌های خود مراقبتی را توسط این نهادها ارائه داد.
یکی دیگر از چالش‌های موجود حریم خصوصی و امنیت است. استفاده از فناوری کلان‌داده در پیشگیری و کنترل بیماری‌های عفونی مانند کووید-19 نیازمند توسعه بیشتر در جمع‌آوری، تجزیه‌وتحلیل، توزیع و حفظ حریم خصوصی پیرامون اطلاعات شخصی و عمومی است؛ اما معمولاً افراد در موارد غیررسمی حاضر به اشتراک‌گذاری اطلاعات شخصی خود نیستند. یکی از راه‌های اشتراک‌گذاری اطلاعات شخصی استفاده از مکانیسم‌های تشویقی است. درواقع برای مشارکت بیشتر افراد و نهادها در ارائه داده‌ها نیاز به ایجاد انگیزه است.
همچنین کیفیت داده‌ها و درجه تجزیه‌وتحلیل داده‌ها نقش مهمی در پیشگیری و کنترل بیماری همه‌گیر تعیین می‌کند. از راه‌های جمع‌آوری داده‌های باکیفیت به‌صورت خودکار استفاده از برنامه‌هایی است که دقت و استفاده از داده‌ها را بهبود می‌بخشد. دستگاه‌های متصل به هم هوشمند، حسگرهای پوشیدنی و سایر فناوری‌های نوآورانه، مانند تلفن‌های هوشمند، ارتباطات از راه دور، شبکه‌ها و جی‌پی‌اس، امکان جمع‌آوری حجم باورنکردنی‌ای از داده‌ها را در زمان واقعی فراهم می‌کنند که کاربر‌محور و مبتنی بر فناوری هستند. داده‌های ردیابی دقیق را می‌توان با استفاده از تجهیزات الکترونیکی قابل‌حمل، دوربین‌ها، کنترل دسترسی، پلاک‌ها و غیره جمع‌آوری کرد.
در این مطالعه از محدودیت‌های پژوهش کم بودن مطالعات انجام‌شده در این زمینه بود، چراکه نوپا بودن شیوع ویروس کرونا یکی از مهم‌ترین دلایل دستیابی به مقالات اندک در این زمینه است و انتظار می‌رود فناوری در طول شیوع بیماری کرونا نقش پررنگ‌تری داشته باشد، بنابراین پیشنهاد میشود پژوهش‌های مروری مشابه به بعد از گذر از این بیماری موکول شود تا به راه‌حل‌های مناسب‌تری برای مواجهه با بحران‌های مشابه برسیم.
ملاحظات اخلاقی
پیروی از اصول اخلاق پژوهش
این پژوهش مروری است و کد اخلاق نداشته است.
حامی مالی
این مقاله ازطرف هیچ‌گونه نهاد یا مؤسسه‌ای حمایت مالی نشده و تمام منابع مالی آن از طرف نویسندگان تأمین شده است.
مشارکت نویسندگان
این تحقیق هیچ کمک مالی از سازمان های تأمین مالی در بخش های عمومی، تجاری یا غیر انتفاعی دریافت نکرد.
تعارض منافع
بنابر اظهار نویسندگان این مقاله تعارض منافع ندارد.
جین و همکاران، چندین مدل شبکه عصبی پیچیده مبتنی بر یادگیری عمیق را آزمایش و عملکرد آن‌ها را با هم مقایسه کردند تا بیماران مبتلا به کووید-19 را با استفاده از اسکن اشعه ایکس قفسه سینه طبقه‌بندی کنند. برای تجزیه‌وتحلیل عملکرد مدل، 6432 نمونه اسکن اشعه ایکس قفسه سینه جمع‌آوری شد. نتایج نشان داد مدل Xception بالاترین دقت یعنی 97 درصد را برای تشخیص تصاویر اشعه ایکس قفسه سینه ارائه می‌دهد که سریع‌ترین رویکرد برای شناسایی بیماران مبتلا به کووید-19 بود [16].
ونگ و همکاران یک مدل با عنوان COVID-Net را به‌عنوان یک طراحی شبکه عصبی پیچیده برای تشخیص موارد کووید-19 با استفاده از تصاویر اشعه ایکس قفسه سینه معرفی کردند. این مدل افراد را به 3 دسته نرمال، افراد آلوده‌شده و افراد آلوده‌نشده طبقه‌بندی می‌کند. کادر پزشکی با استفاده از این طبقه‌بندی قادر خواهد بود روش‌های استاندارد و استراتژی‌های درمانی را به کار بگیرد [17].
در مطالعه امران و همکاران یک چارچوب غربالگری مبتنی بر هوش مصنوعی ارائه داده شد که از‌طریق یک برنامه تلفن هوشمند به نام AI4COVID-19 قابل‌استفاده است. داده‌های ورودی این سیستم سیگنال‌های صوتی و سرفه هستند که توسط تلفن‌های هوشمند ضبط شده است. نتایج نشان می‌دهد که AI4COVID-19 می‌تواند بین سرفه‌های کووید-19 و چندین نوع سرفه غیر کووید تمایز قائل شود. این سیستم نتایج بسیار امیدوارکننده‌ای به دست آورده است و با دقت بالا می‌تواند بیماری را تشخیص دهد [18].
عباسیان و همکاران در مطالعه خود از روشی سریع و معتبر برای تشخیص کووید-19 با استفاده از فناوری هوش مصنوعی استفاده کردند که در آن 1020 برش CT از 108 بیمار مبتلا به کووید-19 و 86 بیمار مبتلا به سایر بیماری‌های پنومونی غیر کووید وارد مطالعه شد. 10 شبکه عصبی پیچیده برای تشخیص عفونت کووید-19 از گروه‌های غیر کووید استفاده شد که در بین آن‌ها بهترین عملکرد توسط ResNet 101 با 99 درصد (حساسیت 100 درصد، ویژگی 99/02 درصد و دقت 99/51 درصد) و Xception با 99 درصد (حساسیت 98/04 درصد، ویژگی 100 درصد و دقت 99/02 درصد) به‌عنوان مدل‌هایی با حساسیت بالا برای شناسایی و تشخیص عفونت‌های کووید-19 به دست آمد [19].
سلمان و همکاران مطالعه‌ای با هدف ایجاد مدلی با استفاده از یادگیری عمیق برای تشخیص کووید-19 در اشعه ایکس با وضوح بالا، کاهش فشار کاری رادیولوژیست‌ها و کمک به کنترل همه‌گیری انجام دادند. برای توسعه مدل پیشنهادی، اعتبارسنجی و آزمایش 260 تصویر موجود (130 تصویر کووید-19 و 130 تصویر معمولی) با استفاده از تصاویر اشعه ایکس قفسه سینه برای اهداف شبیه‌سازی استفاده شد و محتوای مطالعه بر‌اساس داده‌های موجود در سازمان بهداشت جهانی، مرکز کنترل و پیشگیری بیماری‌ها، آژانس اتحادیه اروپا و سایر وب‌سایت‌های رسمی در سراسر جهان بود. یافته‌ها نشان داد مدل پیشنهادی با حساسیت، ویژگی و دقت 100 درصد قابلیت تشخیص این بیماری را دارد [2].
مقداد و همکاران چارچوب جدیدی برای شناسایی کووید-19 با استفاده از حسگرهای داخلی گوشی هوشمند پیشنهاد دادند. چارچوب طراحی‌شده که مجهز به هوش مصنوعی است می‌تواند اندازه‌گیری سیگنال حسگرهای گوشی‌های هوشمند را برای پیش‌بینی درجه شدت درگیری ریه و همچنین پیش‌بینی نتیجه بیماری بخواند و توسط پزشک یا رادیولوژیست‌هایی که در هر زمان و هر مکان به تلفن‌های هوشمند دسترسی دارند، استفاده شود [20].
کلان‌داده‌ها
کلان‌داده‌ها به انواع داده‌ها با در نظر گرفتن حجم، تنوع، ارزش، صحت و پویایی آن‌ها اشاره دارد. این داده‌ها می‌توانند داده‌های ایجادشده توسط ماشین و یا داده‌های شبکه‌های اجتماعی باشد [21].
توانایی کلان‌داده‌ها در حمایت از مبارزه با بیماری‌های عفونی مانند کووید-19 ثابت شده است [22]. کلان‌داده‌ها به‌طور بالقوه تعدادی راه‌حل امیدوارکننده برای کمک به مبارزه با همه‌گیری کووید-19 ارائه می‌دهند و با ترکیب با تجزیه‌وتحلیل هوش مصنوعی، به ما کمک می‌کنند تا این بیماری را ازنظر ردیابی شیوع، ساختار ویروس، درمان بیماری و ساخت واکسن درک کنیم [23]. برای مثال، کلان‌داده‌های مرتبط با ابزارهای مبتنی بر هوش مصنوعی می‌توانند مدل‌های شبیه‌سازی پیچیده‌ای را برای شیوع با استفاده از جریان داده‌های ویروس کرونا ایجاد کنند.
فناوری تحلیل دیداری امکان ارتباط بین مجموعه کلان‌داده‌ها را فراهم می‌کند و متخصصان را قادر می‌کند تا تشخیص دیداری بهتری به دست آورند و تصمیم‌گیری مؤثرتری داشته باشند. درحالحاضر دولت‌ها از کلان‌داده به‌منظور تحلیل‌های دیداری از داده‌های نظارتی، همه‌گیری، منابع درمانی، بیمارستانی و نظارت شخصی جهت تصمیم‌گیری استفاده می‌کنند. تحلیل‌های دیداری‌سازی عمدتاً از‌طریق سیستم‌های اطلاعات جغرافیایی به دست می‌آید. فناوری سیستم‌های اطلاعات جغرافیایی باید مجهز به جمع‌آوری مناسب کلان‌داده شود. به‌منظور تحلیل و پردازش این داده‌ها از زیرساخت‌های مناسبی استفاده میشود [9، 24].
کاربرد کلان‌داده‌ها در پیش‌بینی و تشخیص کرونا
کلان داده این توانایی را دارد که از فرایندهای تشخیص و درمان کووید-19 پشتیبانی کند. نتایج تحقیقات حاصل از مطالعات نشان می‌دهد که کلان‌داده می‌تواند به مراقبت‌های بهداشتی کمک کند تا عملیات پزشکی مختلف را (تشخیص زودهنگام، تجزیه‌وتحلیل بیماری و پیش‌بینی نتایج درمان) ارائه دهد [25, 26]. درواقع، کلان‌داده به‌طور بالقوه پیش‌بینی شیوع بیماری را در گستره جهانی با استفاده از ابزارهای تحلیلی داده‌ها بر روی مجموعه داده‌های عظیم جمع‌آوری‌شده از منابع موجود، مانند سازمان‌های بهداشتی و مؤسسات مراقبت‌های بهداشتی ممکن می‌کند [27, 28]. همچنین به‌عنوان یک راه‌حل امیدوارکننده برای ردیابی شیوع ویروس کرونا با ترکیب با ابزارهای هوشمندی مانند یادگیری ماشین و یادگیری عمیق برای ساخت مدل‌های پیش‌بینی ظاهر شده است که برای دولت‌ها در نظارت بر شیوع احتمالی کووید-19 در آینده بسیار مفید است.
در مطالعه ژائو و همکاران از یک مدل به نام SUQC استفاده شد که شامل افراد حساس، غیر‌قرنطینه‌شده، آلوده قرنطینه‌شده و آلوده تأیید‌شده بود و برای توصیف پویایی کووید-19 و مشخص کردن اثرات مداخله اقدامات کنترلی ایجاد شد. تعداد افراد مبتلا به این بیماری در 5 منطقه مختلف از کشور چین موردبررسی قرار گرفت. داده‌های مربوط به شیوع بیماری از منابع موثق نظیر کمیسیون ملی بهداشت و شهرداری چین جمع‌آوری شد. این کلان‌داده‌ها به محققان اجازه می‌دهند تا پیش‌بینی شیوع کووید-19 را به‌عنوان مثال شناسایی مناطق پرخطر و تشخیص جمعیت‌هایی با تعداد بالای موارد آلوده شبیه‌سازی کنند [29].
در مطالعه کاستورینا و همکاران از مجموعه داده‌های جمع‌آوری‌شده از چین، سنگاپور، کره جنوبی و ایتالیا برای ساخت یک مدل تحلیلی جامع برای شناسایی گسترش ویروس با استفاده از مدل‌سازی و یادگیری داده‌ها استفاده شد. این مدل تعداد بیماران مبتلا در یک منطقه مشخص برای ارزیابی مؤثر پیشگیری و نظارت بر شیوع بیماری کووید-19، به‌ویژه مناطق نزدیک شیوع بیماری همه‌گیر را نشان می‌دهد [30].
وو و همکاران در مطالعه خود در‌مورد کاربرد فناوری کلان‌داده برای پیشگیری، مهار و کنترل کووید-19 در چین بحث کردند. در این مطالعه همچنین درباره روش‌های جمع‌آوری داده‌ها و اطلاعات کلیدی داده‌ای که قبل از شیوع کووید-19 در چین وجود داشت و اینکه چگونه این داده‌ها در پیشگیری و کنترل کووید-19 نقش داشتند، بحث شد. نتایج مطالعه نشان داد در فرایند پیشگیری و کنترل کووید-19 در چین، فناوری کلان‌داده نقش مهمی در ردیابی شخصی، نظارت و هشدار اولیه، ردیابی منابع ویروس، غربالگری دارو، درمان پزشکی، تخصیص منابع و بازیابی تولید داده‌های موردنظر دارد [9].
جدول شماره 1 مقایسه فناوری‌های مورداستفاده جهت پیش‌بینی و تشخیص ویروس کرونا در حوزه‌های مختلف را نشان می‌دهد.
بر‌اساس بررسی‌های این مطالعه روش‌های موجود در حوزه پیش‌بینی و تشخیص بیماری کرونا تأثیرگذار بوده است.
بحث
در این مقاله، یک مطالعه تطبیقی در‌مورد راه‌حل‌های پیشرفته در مبارزه با ویروس کرونا ازجمله استفاده از هوش مصنوعی و کلان‌داده برای یافتن رویکردهای سریع که می‌توانند به‌طور مؤثری با بیماری کووید-19 مقابله کنند، ارائه شد و انواعی از این فناوری برای پیش‌بینی و تشخیص بیماری بررسی شد.
مطالعات نشان داد هوش مصنوعی فناوری امیدوارکننده‌ای است که می‌تواند از راه‌های مختلفی برای مقابله با وضعیت بیماری کرونا کمک کند. این فناوری در پیش‌بینی شیوع بیماری، تشخیص و درمان آن با استفاده از مطالعه، دسترسی به کلان‌داده و طبقه‌بندی داده‌های پزشکی مورد تأیید قرار گرفته است. مطالعات ذکرشده از روش‌ها و مدل‌های مختلفی برای پیش‌بینی و تشخیص بیماری کووید-19 استفاده کرده‌اند که همگی دارای دقت بالا هستند. مطالعات نشان می‌دهند سی‌تی نقش مهمی در تشخیص زودهنگام کووید-19 دارد و درواقع یک روش اصلی است. طبق جدول شماره 1 یادگیری عمیق دقت بیش از 90 درصد را در تشخیص بیماری نشان می‌دهد که توانایی این روش در تجزیه‌وتحلیل تصاویر پزشکی را بیان می‌کند. یادگیری عمیق، ضرورت جمع‌آوری کردن کلان‌داده را در این زمینه ایجاب می‌کند تا تحلیل دقیق‌تری صورت بگیرد. مطالعات نشان می‌دهد کلان‌داده در حال تبدیل شدن به ابزاری قدرتمند برای تجزیه‌وتحلیل داده‌ها و شناسایی الگویی است که می‌تواند در تشخیص و بهبود کووید-19 مؤثر باشد. نقش مهم آن در مقابله با این بیماری از مرحله اول یعنی پیش‌بینی و تشخیص شروع میشود و هرچه داده‌های بیشتر و باکیفیت‌تری وجود داشته باشد دقت آن نیز بیشتر میشود.
نتیجه‌گیری
امروزه فناوری و دستگاه‌های اطلاعات سلامت درهم‌تنیده و به‌سرعت در حال گسترش هستند و همچنان از فناوری‌های ذکرشده در پیش‌بینی و درمان این ویروس می‌توان استفاده‌های مؤثرتری به عمل آورد و استفاده از ظرفیت کامل این فن‌آوری‌ها نیاز به اقدامات تکمیلی در این حوزه دارد. ازجمله اقدامات تکمیلی رفع چالش‌هایی است که در این زمینه وجود دارد. یکی از این چالش‌ها به‌کارگیری فناوری و هزینه‌بر بودن آن است و استفاده از آن مستلزم به‌روزرسانی مداوم است. از دیگر چالش‌ها فقدان مجموعه داده‌های استاندارد است. داده‌ها به‌منظور تبدیل هوش مصنوعی و برنامه‌های کاربردی کلان‌داده به یک راه‌حل قابل‌اعتماد برای مبارزه با ویروس کووید-19 موردنیاز هستند، اما فقدان مجموعه داده‌های استاندارد مانع از آن میشود. برای غلبه بر این چالش، دولت، مراکز و سازمان‌های بهداشتی نقشی کلیدی ایفا می‌کنند زیرا می‌توانند با مجموعه داده‌های با کیفیت بالا و بزرگ کار کنند. همچنین می‌توان انواع منابع داده مانند اسکن اشعه ایکس و سی‌تی‌اسکن از بیمارستان‌ها، داده‌های ماهواره‌ای، اطلاعات شخصی و گزارش‌های برنامه‌های خود مراقبتی را توسط این نهادها ارائه داد.
یکی دیگر از چالش‌های موجود حریم خصوصی و امنیت است. استفاده از فناوری کلان‌داده در پیشگیری و کنترل بیماری‌های عفونی مانند کووید-19 نیازمند توسعه بیشتر در جمع‌آوری، تجزیه‌وتحلیل، توزیع و حفظ حریم خصوصی پیرامون اطلاعات شخصی و عمومی است؛ اما معمولاً افراد در موارد غیررسمی حاضر به اشتراک‌گذاری اطلاعات شخصی خود نیستند. یکی از راه‌های اشتراک‌گذاری اطلاعات شخصی استفاده از مکانیسم‌های تشویقی است. درواقع برای مشارکت بیشتر افراد و نهادها در ارائه داده‌ها نیاز به ایجاد انگیزه است.
همچنین کیفیت داده‌ها و درجه تجزیه‌وتحلیل داده‌ها نقش مهمی در پیشگیری و کنترل بیماری همه‌گیر تعیین می‌کند. از راه‌های جمع‌آوری داده‌های باکیفیت به‌صورت خودکار استفاده از برنامه‌هایی است که دقت و استفاده از داده‌ها را بهبود می‌بخشد. دستگاه‌های متصل به هم هوشمند، حسگرهای پوشیدنی و سایر فناوری‌های نوآورانه، مانند تلفن‌های هوشمند، ارتباطات از راه دور، شبکه‌ها و جی‌پی‌اس، امکان جمع‌آوری حجم باورنکردنی‌ای از داده‌ها را در زمان واقعی فراهم می‌کنند که کاربر‌محور و مبتنی بر فناوری هستند. داده‌های ردیابی دقیق را می‌توان با استفاده از تجهیزات الکترونیکی قابل‌حمل، دوربین‌ها، کنترل دسترسی، پلاک‌ها و غیره جمع‌آوری کرد.
در این مطالعه از محدودیت‌های پژوهش کم بودن مطالعات انجام‌شده در این زمینه بود، چراکه نوپا بودن شیوع ویروس کرونا یکی از مهم‌ترین دلایل دستیابی به مقالات اندک در این زمینه است و انتظار می‌رود فناوری در طول شیوع بیماری کرونا نقش پررنگ‌تری داشته باشد، بنابراین پیشنهاد میشود پژوهش‌های مروری مشابه به بعد از گذر از این بیماری موکول شود تا به راه‌حل‌های مناسب‌تری برای مواجهه با بحران‌های مشابه برسیم.
ملاحظات اخلاقی
پیروی از اصول اخلاق پژوهش
این پژوهش مروری است و کد اخلاق نداشته است.
حامی مالی
این مقاله ازطرف هیچ‌گونه نهاد یا مؤسسه‌ای حمایت مالی نشده و تمام منابع مالی آن از طرف نویسندگان تأمین شده است.
مشارکت نویسندگان
این تحقیق هیچ کمک مالی از سازمان های تأمین مالی در بخش های عمومی، تجاری یا غیر انتفاعی دریافت نکرد.
تعارض منافع
بنابر اظهار نویسندگان این مقاله تعارض منافع ندارد.
References
1.Shi F, Wang J, Shi J, Wu Z, Wang Q, Tang Z, et al. Review of artificial intelligence techniques in imaging data acquisition, segmentation, and diagnosis for COVID-19. IEEE Rev Biomed Eng. 2021; 14:4-15. [DOI:10.1109/RBME.2020.2987975] [PMID]
2.Salman FM, Abu-Naser SS, Alajrami E, Abu-Nasser BS, Alashqar BAM. Covid-19 detection using artificial intelligence. Int J Acad Eng Res. 2020; 4(3):18-25. [Link]
3.Odor PM, Neun M, Bampoe S, Clark S, Heaton D, Hoogenboom EM, et al. Anaesthesia and COVID-19: Infection control. Br J Anaesth. 2020; 125(1):16-24. [DOI:10.1016/j.bja.2020.03.025] [PMID] [PMCID]
4.Nakajima K, Kato H, Yamashiro T, Izumi T, Takeuchi I, Nakajima H, et al. COVID-19 pneumonia: Infection control protocol inside computed tomography suites. Jpn J Radiol. 2020; 38(5):391-3. [DOI:10.1007/s11604-020-00948-y] [PMID] [PMCID]
5.Javaid M, Haleem A, Vaishya R, Bahl S, Suman R, Vaish A. Industry 4.0 technologies and their applications in fighting COVID-19 pandemic. Diabetes Metab Syndr. 2020; 14(4):419-22. [DOI:10.1016/j.dsx.2020.04.032] [PMID] [PMCID]
6.O'Dowd K, Nair KM, Forouzandeh P, Mathew S, Grant J, Moran R, et al. Face masks and respirators in the fight against the COVID-19 pandemic: A review of current materials, advances and future perspectives. Materials. 2020; 13(15):3363. [DOI:10.3390/ma13153363] [PMID] [PMCID]
7.Pal R, Sekh AA, Kar S, Prasad DK. Neural network based country wise risk prediction of COVID-19. IEEE Accsess. Computing and Artificial Intelligence. 2020; 10(18):6448. [DOI:10.3390/app10186448]
8.Bowles J. How Canadian AI start-up BlueDot spotted Coronavirus before anyone else had a clue [Internet]. 2020 [Updated 2020 March 10]. Available from: [Link]
9.Wu J, Wang J, Nicholas S, Maitland E, Fan Q. Application of big data technology for COVID-19 prevention and control in China: Lessons and recommendations. J Med Internet Res. 2020; 22(10):e21980. [DOI:10.2196/21980] [PMID] [PMCID]
10.Bragazzi NL, Dai H, Damiani G, Behzadifar M, Martini M, Wu J. How big data and artificial intelligence can help better manage the COVID-19 pandemic. Int J Environ Res Public Health. 2020; 17(9):3176.[DOI:10.3390/ijerph17093176] [PMID] [PMCID]
11.Shaw R, Kim YK, Hua J. Governance, technology and citizen behavior in pandemic: Lessons from COVID-19 in East Asia. Prog Disaster Sci. 2020; 6:100090. [DOI:10.1016/j.pdisas.2020.100090] [PMID] [PMCID]
12.Sedik A, Iliyasu AM, Abd El-Rahiem B, Abdel Samea ME, Abdel-Raheem A, Hammad M, et al. Deploying machine and deep learning models for efficient data-augmented detection of COVID-19 infections. Viruses. 2020; 12(7):769. [DOI:10.3390/v12070769] [PMID] [PMCID]
13.Parsons Leigh J, Fiest K, Brundin-Mather R, Plotnikoff K, Soo A, Sypes EE, et al. A national cross-sectional survey of public perceptions of the COVID-19 pandemic: Self-reported beliefs, knowledge, and behaviors. Plos One. 2020; 15(10):e0241259. [DOI:10.1371/journal.pone.0241259] [PMID] [PMCID]
14.van Maurik IS, Bakker ED, van den Buuse S, Gillissen F, van de Beek M, Lemstra E, et al. Psychosocial effects of corona measures on patients with dementia, mild cognitive impairment and subjective cognitive decline. Front Psychiatry. 2020; 11:585686. [DOI:10.3389/fpsyt.2020.585686] [PMID] [PMCID]
15.Vaishya R, Javaid M, Khan IH, Haleem A. Artificial Intelligence (AI) applications for COVID-19 pandemic. Diabetes Metab Syndr Clin Res Rev. 2020;14(4):337-9. [DOI:10.1016/j.dsx.2020.04.012] [PMID] [PMCID]
16.Jain R, Gupta M, Taneja S, Hemanth DJ. Deep learning based detection and analysis of COVID-19 on chest X-ray images. Appl Intell. 2021; 51(3):1690-700. [DOI:10.1007/s10489-020-01902-1] [PMID] [PMCID]
17.Wang L, Lin ZQ, Wong A. COVID-net: A tailored deep convolutional neural network design for detection of COVID-19 cases from chest X-ray images. Sci Rep. 2020; 10(1):19549. [DOI:10.1038/s41598-020-76550-z] [PMID] [PMCID]
18.Imran A, Posokhova I, Qureshi HN, Masood U, Riaz MS, Ali K, et al. AI4COVID-19: AI enabled preliminary diagnosis for COVID-19 from cough samples via an app. Inform Med Unlocked. 2020; 20:100378. [DOI:10.1016/j.imu.2020.100378] [PMID] [PMCID]
19.Ardakani AA, Kanafi AR, Acharya UR, Khadem N, Mohammadi A. Application of deep learning technique to manage COVID-19 in routine clinical practice using CT images: Results of 10 convolutional neural networks. Comput Biol Med. 2020; 121:103795. [DOI:10.1016/j.compbiomed.2020.103795] [PMID] [PMCID]
20.Maghded HS, Ghafoor KZ, Sadiq AS, Curran K, Rawat DB, Rabie K. A novel AI-enabled framework to diagnose coronavirus COVID-19 using smartphone embedded sensors: Design study. Paper presented at: 2020 IEEE 21st International Conference on Information Reuse and Integration for Data Science (IRI). 13 August 2020; Las Vegas, USA. [DOI:10.1109/IRI49571.2020.00033]
21.Garattini C, Raffle J, Aisyah DN, Sartain F, Kozlakidis Z. Big data analytics, infectious diseases and associated ethical impacts. Philos Technol. 2019; 32(1):69-85. [DOI:10.1007/s13347-017-0278-y] [PMID] [PMCID]
22.Chae S, Kwon S, Lee D. Predicting infectious disease using deep learning and big data. Int J Environ Res Public Health. 2018; 15(8):1596.[DOI:10.3390/ijerph15081596] [PMID] [PMCID]
23.Eisenstein M. Infection forecasts powered by big data. Nature. 2018; 555(7695):S2-4. [DOI:10.1038/d41586-018-02473-5] [PMID]
24.Wu B, Tian F, Zhang M, Zeng H, Zeng Y. Cloud services with big data provide a solution for monitoring and tracking sustainable development goals. Geogr Sustain. 2020; 1(1):25-32. [DOI:10.1016/j.geosus.2020.03.006]
25.Li C, Debruyne DN, Spencer J, Kapoor V, Liu LY, Zhang B, et al. High sensitivity detection of SARS-CoV-2 using multiplex PCR and a multiplex-PCR-based metagenomic method. BioRxiv. 2020. [Unpublished]. [DOI:10.1101/2020.03.12.988246]
26.Eden JS, Rockett R, Carter I, Rahman H, de Ligt J, Hadfield J, et al. An emergent clade of SARS-CoV-2 linked to returned travellers from Iran. Virus Evol. 2020; 6(1):veaa027. [DOI:10.1093/ve/veaa027] [PMID] [PMCID]
27.Tátrai D, Várallyay Z. COVID-19 epidemic outcome predictions based on logistic fitting and estimation of its reliability. arXiv. 2020; [Unpublished]. [DOI:10.48550/arXiv.2003.14160]
28.Strzelecki A. The second worldwide wave of interest in coronavirus since the COVID-19 outbreaks in South Korea, Italy and Iran: A google trends study. Brain Behav Immun. 2020; 88:950-1. [DOI:10.1016/j.bbi.2020.04.042] [PMID] [PMCID]
29.Zhao S, Chen H. Modeling the epidemic dynamics and control of COVID-19 outbreak in China. Quant Biol. 2020; 8(1):11-9. [DOI:10.1007/s40484-020-0199-0]
2.Salman FM, Abu-Naser SS, Alajrami E, Abu-Nasser BS, Alashqar BAM. Covid-19 detection using artificial intelligence. Int J Acad Eng Res. 2020; 4(3):18-25. [Link]
3.Odor PM, Neun M, Bampoe S, Clark S, Heaton D, Hoogenboom EM, et al. Anaesthesia and COVID-19: Infection control. Br J Anaesth. 2020; 125(1):16-24. [DOI:10.1016/j.bja.2020.03.025] [PMID] [PMCID]
4.Nakajima K, Kato H, Yamashiro T, Izumi T, Takeuchi I, Nakajima H, et al. COVID-19 pneumonia: Infection control protocol inside computed tomography suites. Jpn J Radiol. 2020; 38(5):391-3. [DOI:10.1007/s11604-020-00948-y] [PMID] [PMCID]
5.Javaid M, Haleem A, Vaishya R, Bahl S, Suman R, Vaish A. Industry 4.0 technologies and their applications in fighting COVID-19 pandemic. Diabetes Metab Syndr. 2020; 14(4):419-22. [DOI:10.1016/j.dsx.2020.04.032] [PMID] [PMCID]
6.O'Dowd K, Nair KM, Forouzandeh P, Mathew S, Grant J, Moran R, et al. Face masks and respirators in the fight against the COVID-19 pandemic: A review of current materials, advances and future perspectives. Materials. 2020; 13(15):3363. [DOI:10.3390/ma13153363] [PMID] [PMCID]
7.Pal R, Sekh AA, Kar S, Prasad DK. Neural network based country wise risk prediction of COVID-19. IEEE Accsess. Computing and Artificial Intelligence. 2020; 10(18):6448. [DOI:10.3390/app10186448]
8.Bowles J. How Canadian AI start-up BlueDot spotted Coronavirus before anyone else had a clue [Internet]. 2020 [Updated 2020 March 10]. Available from: [Link]
9.Wu J, Wang J, Nicholas S, Maitland E, Fan Q. Application of big data technology for COVID-19 prevention and control in China: Lessons and recommendations. J Med Internet Res. 2020; 22(10):e21980. [DOI:10.2196/21980] [PMID] [PMCID]
10.Bragazzi NL, Dai H, Damiani G, Behzadifar M, Martini M, Wu J. How big data and artificial intelligence can help better manage the COVID-19 pandemic. Int J Environ Res Public Health. 2020; 17(9):3176.[DOI:10.3390/ijerph17093176] [PMID] [PMCID]
11.Shaw R, Kim YK, Hua J. Governance, technology and citizen behavior in pandemic: Lessons from COVID-19 in East Asia. Prog Disaster Sci. 2020; 6:100090. [DOI:10.1016/j.pdisas.2020.100090] [PMID] [PMCID]
12.Sedik A, Iliyasu AM, Abd El-Rahiem B, Abdel Samea ME, Abdel-Raheem A, Hammad M, et al. Deploying machine and deep learning models for efficient data-augmented detection of COVID-19 infections. Viruses. 2020; 12(7):769. [DOI:10.3390/v12070769] [PMID] [PMCID]
13.Parsons Leigh J, Fiest K, Brundin-Mather R, Plotnikoff K, Soo A, Sypes EE, et al. A national cross-sectional survey of public perceptions of the COVID-19 pandemic: Self-reported beliefs, knowledge, and behaviors. Plos One. 2020; 15(10):e0241259. [DOI:10.1371/journal.pone.0241259] [PMID] [PMCID]
14.van Maurik IS, Bakker ED, van den Buuse S, Gillissen F, van de Beek M, Lemstra E, et al. Psychosocial effects of corona measures on patients with dementia, mild cognitive impairment and subjective cognitive decline. Front Psychiatry. 2020; 11:585686. [DOI:10.3389/fpsyt.2020.585686] [PMID] [PMCID]
15.Vaishya R, Javaid M, Khan IH, Haleem A. Artificial Intelligence (AI) applications for COVID-19 pandemic. Diabetes Metab Syndr Clin Res Rev. 2020;14(4):337-9. [DOI:10.1016/j.dsx.2020.04.012] [PMID] [PMCID]
16.Jain R, Gupta M, Taneja S, Hemanth DJ. Deep learning based detection and analysis of COVID-19 on chest X-ray images. Appl Intell. 2021; 51(3):1690-700. [DOI:10.1007/s10489-020-01902-1] [PMID] [PMCID]
17.Wang L, Lin ZQ, Wong A. COVID-net: A tailored deep convolutional neural network design for detection of COVID-19 cases from chest X-ray images. Sci Rep. 2020; 10(1):19549. [DOI:10.1038/s41598-020-76550-z] [PMID] [PMCID]
18.Imran A, Posokhova I, Qureshi HN, Masood U, Riaz MS, Ali K, et al. AI4COVID-19: AI enabled preliminary diagnosis for COVID-19 from cough samples via an app. Inform Med Unlocked. 2020; 20:100378. [DOI:10.1016/j.imu.2020.100378] [PMID] [PMCID]
19.Ardakani AA, Kanafi AR, Acharya UR, Khadem N, Mohammadi A. Application of deep learning technique to manage COVID-19 in routine clinical practice using CT images: Results of 10 convolutional neural networks. Comput Biol Med. 2020; 121:103795. [DOI:10.1016/j.compbiomed.2020.103795] [PMID] [PMCID]
20.Maghded HS, Ghafoor KZ, Sadiq AS, Curran K, Rawat DB, Rabie K. A novel AI-enabled framework to diagnose coronavirus COVID-19 using smartphone embedded sensors: Design study. Paper presented at: 2020 IEEE 21st International Conference on Information Reuse and Integration for Data Science (IRI). 13 August 2020; Las Vegas, USA. [DOI:10.1109/IRI49571.2020.00033]
21.Garattini C, Raffle J, Aisyah DN, Sartain F, Kozlakidis Z. Big data analytics, infectious diseases and associated ethical impacts. Philos Technol. 2019; 32(1):69-85. [DOI:10.1007/s13347-017-0278-y] [PMID] [PMCID]
22.Chae S, Kwon S, Lee D. Predicting infectious disease using deep learning and big data. Int J Environ Res Public Health. 2018; 15(8):1596.[DOI:10.3390/ijerph15081596] [PMID] [PMCID]
23.Eisenstein M. Infection forecasts powered by big data. Nature. 2018; 555(7695):S2-4. [DOI:10.1038/d41586-018-02473-5] [PMID]
24.Wu B, Tian F, Zhang M, Zeng H, Zeng Y. Cloud services with big data provide a solution for monitoring and tracking sustainable development goals. Geogr Sustain. 2020; 1(1):25-32. [DOI:10.1016/j.geosus.2020.03.006]
25.Li C, Debruyne DN, Spencer J, Kapoor V, Liu LY, Zhang B, et al. High sensitivity detection of SARS-CoV-2 using multiplex PCR and a multiplex-PCR-based metagenomic method. BioRxiv. 2020. [Unpublished]. [DOI:10.1101/2020.03.12.988246]
26.Eden JS, Rockett R, Carter I, Rahman H, de Ligt J, Hadfield J, et al. An emergent clade of SARS-CoV-2 linked to returned travellers from Iran. Virus Evol. 2020; 6(1):veaa027. [DOI:10.1093/ve/veaa027] [PMID] [PMCID]
27.Tátrai D, Várallyay Z. COVID-19 epidemic outcome predictions based on logistic fitting and estimation of its reliability. arXiv. 2020; [Unpublished]. [DOI:10.48550/arXiv.2003.14160]
28.Strzelecki A. The second worldwide wave of interest in coronavirus since the COVID-19 outbreaks in South Korea, Italy and Iran: A google trends study. Brain Behav Immun. 2020; 88:950-1. [DOI:10.1016/j.bbi.2020.04.042] [PMID] [PMCID]
29.Zhao S, Chen H. Modeling the epidemic dynamics and control of COVID-19 outbreak in China. Quant Biol. 2020; 8(1):11-9. [DOI:10.1007/s40484-020-0199-0]
ارسال پیام به نویسنده مسئول
| بازنشر اطلاعات | |
 |
این مقاله تحت شرایط Creative Commons Attribution-NonCommercial 4.0 International License قابل بازنشر است. |
