Un modèle prédictif d'apprentissage en profondeur pour les problèmes de santé publique et l'hésitation face au COVID

Rapports scientifiques volume 13, Numéro d'article : 9171 (2023) Citer cet article

3 Altmétrique

Détails des métriques

Tout au long de l'ère pandémique, COVID-19 a été l'une des situations inattendues remarquables de ces dernières années, mais avec la décentralisation et la mondialisation des efforts et des connaissances, une stratégie de contrôle basée sur les vaccins a été efficacement conçue et appliquée dans le monde entier. D'autre part, la confusion et l'hésitation excusées ont largement impacté la santé publique. Cet article vise à réduire l'hésitation face au vaccin COVID-19 en tenant compte des antécédents médicaux du patient. L'ensemble de données utilisé dans cette étude est l'ensemble de données du Vaccine Adverse Event Reporting System (VAERS) qui a été créé en tant que société entre la Food and Drug Administration (FDA) et les Centers for Disease Control and Prevention (CDC) pour recueillir les effets secondaires signalés qui peuvent être causée par les vaccins PFIEZER, JANSSEN et MODERNA. Dans cet article, un modèle d'apprentissage en profondeur (DL) a été développé pour identifier la relation entre un certain type de vaccin COVID-19 (c'est-à-dire PFIEZER, JANSSEN et MODERNA) et les effets indésirables pouvant survenir chez les patients vaccinés. Les effets indésirables à l'étude sont l'état de rétablissement, la possibilité d'être hospitalisé et l'état de décès. Dans la première phase du modèle proposé, l'ensemble de données a été pré-traité, tandis que dans la deuxième phase, l'algorithme d'optimisation de l'essaim Pigeon est utilisé pour sélectionner de manière optimale les caractéristiques les plus prometteuses qui affectent les performances du modèle proposé. L'ensemble de données sur l'état du patient après la vaccination est regroupé en trois classes cibles (décès, hospitalisé et guéri). Dans la troisième phase, le réseau neuronal récurrent (RNN) est mis en œuvre pour chaque type de vaccin et chaque classe cible. Les résultats montrent que le modèle proposé donne les scores de précision les plus élevés qui sont de 96,031% pour la classe cible Décès dans le cas de la vaccination PFIEZER. Alors que dans la vaccination JANSSEN, la classe cible Hospitalisée a montré les meilleures performances avec une précision de 94,7%. Enfin, le modèle présente les meilleures performances pour la classe cible récupérée dans la vaccination MODERNA avec une précision de 97,794%. Sur la base de la précision et du test Wilcoxon Signed Rank, nous pouvons conclure que le modèle proposé est prometteur pour identifier la relation entre les effets secondaires des vaccins COVID-19 et l'état du patient après la vaccination. L'étude a montré que certains effets secondaires étaient augmentés chez les patients selon le type de vaccins COVID-19. Les effets secondaires liés au SNC et aux systèmes hématopoïétiques ont démontré des valeurs élevées dans tous les vaccins COVID-19 étudiés. Dans le cadre de la médecine de précision, ces résultats peuvent aider le personnel médical à sélectionner le meilleur vaccin COVID-19 en fonction des antécédents médicaux du patient.

Il existe plusieurs approches pour développer un vaccin. Ils diffèrent par le pourcentage du virus utilisé. Selon l'Organisation mondiale de la santé (OMS)1, une approche utilise l'ensemble du virus ou de la bactérie, comme l'approche du microbe entier, une autre approche utilise uniquement la partie du virus qui déclenche le système immunitaire de l'organisme, comme l'approche sous-unité ou utilise uniquement le matériel génétique qui fournit les instructions nécessaires à la création de protéines spécifiques telles que l'approche génétique (vaccin à acide nucléique).

Certains vaccins COVID-19 utilisent une forme génétiquement modifiée d'ARN messager (ARNm) comme Pfizer-BioNTech et Moderna2. En examinant en profondeur la configuration de COVID-19, on peut facilement remarquer que la surface du virus a une configuration en forme de pointe appelée glycoprotéine S. Lorsqu'un tel ARNm pénètre dans le corps par le biais de vaccins à ARNm COVID-19, il ordonne aux cellules corporelles d'un receveur de produire un fragment inoffensif de protéine S. D'autre part, d'autres vaccins COVID-19 sont considérés comme des vaccins à base de vecteurs tels que AstraZeneca, Janssen et Gamaleya qui dépendent de la recombinaison du gène de pointe du SRAS-CoV-2 dans un autre vecteur viral tel qu'un adénovirus. Les vaccins à base de vecteurs viraux contre le SRAS-CoV-2 n'ont aucune pathogenèse pour le SRAS-CoV-2 et le virus vecteur viral.

Les vaccins sous-unitaires adjuvants tels que Novavax et Biological E sont principalement conçus sur la base de l'utilisation de glycoprotéines S plus immunogènes du SRAS-CoV-2 associées à l'adjuvant3. Ce type de vaccin produit des anticorps et des globules blancs défensifs une fois que votre système immunitaire reconnaît les protéines S. Les vaccins COVID-19 sous-unités protéiques n'utilisent pas de virus vivants et ne peuvent donc pas infecter le corps avec le virus COVID-19. Les fragments de protéines n'entrent pas non plus dans le noyau des cellules du corps, où l'ADN est stocké. Les vaccins inactivés tels que Sinopharm, Sinovac Biotech et Bharat Biotech sont largement utilisés en Chine, en Inde et dans de nombreux pays en développement. Ce type de vaccin repose sur des virus entiers inactivés avec adjuvant.

L'intelligence artificielle (IA) est une technique qui permet à une machine de reproduire le comportement humain qui vise à créer un modèle fonctionnel du cerveau humain capable de prendre des décisions basées sur l'apprentissage4. Le ML est une branche de l'IA qui utilise des méthodes statistiques pour fournir aux machines la capacité d'apprendre et de se développer au fil du temps. Il comprend un large éventail d'applications et d'autres techniques ont été créées comme le clustering, le réseau bayésien, l'arbre de décision et DL5. DL est un type spécifique de ML qui imite le fonctionnement de nos cellules cérébrales, ce qui a inspiré le concept de réseaux de neurones6.

DL s'est avéré être un sous-domaine prometteur de l'IA dans de nombreux secteurs de la vie réelle, notamment les secteurs de la santé et de la découverte de médicaments. Récemment, avec l'avancement de DL, de vastes industries pharmaceutiques se sont tournées vers des méthodes basées sur l'IA. Les modèles DL sont disponibles dans de nombreuses tailles et formes, capables de résoudre efficacement des problèmes trop complexes pour être traités par les méthodes conventionnelles7.

Les vaccins COVID-19 suscitent encore de nombreuses remarques et limitations, allant d'effets secondaires légers à des effets de catastrophe graves. Dans le cadre de la nécessité des vaccinations dans le monde entier pour lutter contre la catastrophe du COVID-19, le but de l'article est d'examiner la relation entre les effets secondaires de trois vaccins COVID-19 et le type de patients. Ici, nous avons classé les patients en trois catégories (décédés, hospitalisés et guéris). En utilisant DL, nous avons découvert la relation entre les effets secondaires et chaque classe.

En raison de la nécessité de comprendre l'effet secondaire du vaccin COVID-19 d'autant plus qu'il s'agit d'une maladie épidémique dans le monde entier, ce travail vise à examiner la relation entre le type de vaccin COVID-19 (3 vaccins) et les effets secondaires générés liés à eux. Cette approche a été mise en œuvre en utilisant un modèle DL. Ici, nous avons classé les patients en trois catégories (décédés, hospitalisés et guéris). En utilisant DL, nous visons à découvrir la relation des effets secondaires à chaque classe.

Les principales contributions de cet article sont résumées comme suit :

Au meilleur de notre connaissance, il s'agit de la première recherche qui utilise DL pour prédire les effets indésirables qu'un patient peut ressentir après la vaccination COVID-19, ce qui aura un impact remarquable sur les préoccupations de santé publique liées au vaccin COVID-19.

Une telle étude guidera les médecins et les sociétés pharmaceutiques pour sélectionner le vaccin en fonction des antécédents du patient. En outre, cette étude ajoutera une information plus pharmacovigeleince sur ces vaccins.

Les caractéristiques les plus importantes qui affectent les performances du modèle proposé sont optimisées à l'aide de "l'algorithme Pigeon".

Les travaux actuels ont tenté de comprendre une méthode prédictive efficace des effets indésirables et secondaires du vaccin COVID-19 qui, par son rôle, fournira un outil très utile face à la situation confuse liée au vaccin post-COVID-19 précédemment discutée.

La structure du papier est organisée comme suit. La section « Revue de la littérature » présente une revue des travaux connexes ; Secte. "Bases et arrière-plan" donne un arrière-plan préliminaire. La section "Le modèle de proposition" présente le cadre proposé. La section "Résultats expérimentaux" discute les résultats. Enfin, Sect. "Conclusion" donne une conclusion de l'article.

Cette section donne un résumé des travaux antérieurs sur le problème étudié dans cet article.

Dans la province chinoise du Hubei, la ville de Wuhan a connu une épidémie d'un nouveau coronavirus en décembre 2019. La majorité des patients initialement diagnostiqués ont été trouvés près du "marché humide", qui est un endroit où les animaux vivants sont abattus et vendus. Le marché a peut-être servi de point chaud amplificateur à partir duquel le virus s'est rapidement propagé aux territoires et à d'autres régions de Chine ainsi qu'à 213 pays dans le monde8.

Le 11 février 2020, l'organisation mondiale de la santé (OMS) a défini cette maladie comme COVID-19, acronyme de Coronavirus Disease 2019. À l'échelle mondiale, 761 000 décès et 21,2 millions de cas confirmés ont été documentés au 17 août 20209. Le pire COVID -19 scénarios se produiraient aux États-Unis, en Inde, au Brésil et en Russie, où le nombre de cas confirmés a dépassé celui de la Chine. L'épidémie actuelle de COVID-19 a été classée « urgence de santé publique de portée internationale » par l'OMS le 30 janvier 2020 et « pandémie » le 11 mars 2020.

Le SRAS-CoV-2 est un bêta-coronavirus zoonotique qui se transmet aux individus par le biais d'épidémies de débordement. Il fait partie du sous-genre Sarbecovirus et de la sous-famille Orthocoronavirinae de la famille des Coronaviridae. Le réservoir animal du SRAS-CoV-2 devrait être les chauves-souris, mais un autre hôte animal intermédiaire plausible est encore inconnu. Le virus est une particule sphérique d'une taille de 70 à 90 nm10. Les pointes de glycoprotéine qui dépassent de sa surface se lient au récepteur de l'enzyme de conversion de l'angiotensine 2 de la cellule. Le virus ressemble à une couronne à cause de ces pointes dont le nom "Coronavirus" est dérivé.

Bien que ce virus émergent ait un taux de mortalité bien inférieur (2,9 %) à celui du SRAS-CoV (9,6 %) et du MERS-CoV (34,4 %), son taux de transmissibilité élevé par rapport aux autres coronavirus a suscité des inquiétudes dans le monde entier. En plus d'être affecté par une comorbidité sous-jacente, qui comprend des troubles concomitants tels que le diabète, l'hypertension, le cancer, les maladies cardiovasculaires et les maladies respiratoires chroniques, le taux de mortalité du COVID-19 change avec l'âge11,12,13.

L'introduction de la pandémie a déclenché une course pour découvrir et développer un vaccin pour créer une immunité collective et atténuer les conséquences néfastes du COVID-19. Le travail en cours pour créer un vaccin est actuellement établi et prouvé pour montrer des résultats. Les déploiements dans tous les pays ont commencé après que certains vaccins candidats ont produit des résultats respectables14.

Tous les vaccins candidats pour obtenir une approbation de distribution mondiale doivent passer par l'expérimentation préclinique sur les animaux et en laboratoire, suivie de 4 phases d'essais cliniques ; L'essai de phase 1 est mené avant que les vaccins candidats n'entrent dans les essais cliniques humains pour évaluer l'innocuité du vaccin, établir les dosages et mettre en évidence rapidement tout effet secondaire ou indésirable potentiel chez un échantillon limité de participants. Les essais de phase 2 commencent à examiner l'efficacité sur des groupes plus importants et continuent d'étudier l'innocuité. Peu de vaccins atteignent les essais de phase 3, qui impliquent essentiellement des centaines ou des dizaines de milliers de patients. Ces études sont utilisées pour valider et évaluer l'efficacité du vaccin et examiner si des effets secondaires peu fréquents ne se manifestent que dans de grandes populations. Les essais de phase 4, la dernière étape, sont effectués après avoir reçu l'autorisation réglementaire nationale et impliquent une surveillance post-commercialisation étendue dans une large population. Tous les vaccins qui ont reçu une approbation nationale ne sont pas au 4e stade de développement. Lors de l'octroi d'autorisations d'utilisation d'urgence, les régulateurs de nombreux pays suivent leur législation et leur calendrier distincts, en s'appuyant sur diverses formes de preuves issues de diverses phases d'essais cliniques. Avant même la fin des études de phase 3, certains régulateurs nationaux, en particulier ceux de Russie et de Chine, ont commencé à autoriser des vaccins pour un usage public (restreint ou étendu)15.

Actuellement, environ 330 vaccins candidats COVID-19 sont en cours de développement dont ; 194 sont en essais précliniques, 42 en essais de phase 1, 44 en essais de phase 2, 40 en essais de phase 3 et 10 en essais de phase 4. Il convient de mentionner que parmi les vaccins en cours de développement mentionnés précédemment, 24 sont actuellement utilisés et proposés à la population générale. Tous ces vaccins peuvent être classés en 4 catégories principales ; vaccin à cellules entières inactivé, vaccin à sous-unité protéique, vaccin à vecteur viral et vaccin à acide nucléique (ARN ou ADN). Les plus connus et les plus distribués sont ceux produits par RNA PFIZER/BioNTech (Allemagne), MODERNA (USA) et le vecteur viral JANSSEN/JOHNSON&JOHNSON (USA)16.

Tarik Alafif et al. dans la réf.17 ont enquêté sur les recherches basées sur le ML et le DL qui ont été menées pour le diagnostic de COVID-19. Les auteurs ont également examiné les ensembles de données accessibles au public qui pourraient être utilisés. Leur enquête a mis en lumière la plupart des approches de pointe utilisées pour le ML et le DL et a résumé les défis potentiels et les orientations futures. M.Ali et al. dans la réf.18 a présenté une autre enquête pour étudier l'impact profond du ML sur la compréhension de la pandémie de Covid-19. L'enquête s'est concentrée sur le diagnostic du virus à l'aide d'images radiographiques et de tomodensitogrammes. Des scénarios futurs de la pandémie sont également fournis dans cette enquête.

Zhoe et al.19 ont adopté un CNN pour les tests CT COVID-19. Ils ont examiné les performances de différents modèles pré-formés sur des images CT et ont conclu que leur modèle peut explorer de nouveaux indicateurs visuels pour aider les médecins cliniciens dans un dépistage manuel plus poussé.

Hatmal et al. dans la réf.20, ont analysé plusieurs modèles ML pour comparer leur précision dans la prédiction du niveau de soins hospitaliers nécessaires pour les patients diagnostiqués avec Covid-19. Ils ont appliqué des techniques de sélection de caractéristiques et de suréchantillonnage et leurs résultats expérimentaux ont montré que l'âge et le sexe sont les variables les plus importantes dans le problème de prédiction mentionné. Les patients sont classés comme s'ils n'avaient besoin que d'une hospitalisation régulière ou d'une admission en unité de soins intensifs.

Bai et al.21. Analyses CT collectées de 1186 patients atteints de pneumonie non COVID ou de pneumonie COVID confirmée par RT-PCR dans 11 hôpitaux différents aux États-Unis et en Chine. Ils ont développé un modèle d'apprentissage en profondeur pour faire la distinction entre la pneumonie COVID et non COVID. Les auteurs ont ensuite fourni le modèle aux radiologues et ont démontré que leur modèle améliorait considérablement la précision du diagnostic radiologique de 85 à 90 % pour distinguer la pneumonie COVID de la pneumonie non COVID.

Hernández-Pereira E. et al. dans la réf.22 a présenté un modèle ML qui pourrait prédire si un patient Covid-19 donné est plus susceptible de survivre ou de mourir en fonction des antécédents médicaux et des données démographiques du patient. Ils ont utilisé un ensemble de données de patients infectés confirmés et suspectés au Mexique. Ils ont prouvé que leur modèle proposé pouvait identifier les patients à haut risque et donc améliorer le traitement et l'hospitalisation en temps opportun. Chadagahttps et al. dans la réf.23 ont étudié les méthodologies ML et DL existantes et comment elles peuvent améliorer notre compréhension de COVID-19 et éviter l'épidémie de COVID-19.

Une autre étude a été menée à l'hôpital universitaire King Fahad, Dammam, KSA24. Cette étude vise à automatiser le diagnostic du COVID-19 en intégrant les données cliniques des patients avec des images radiographiques thoraciques dans un modèle DL. Les données utilisées contiennent un total de 270 dossiers de patients. Les expériences ont été réalisées d'abord avec des données cliniques, ensuite avec la radiographie thoracique, et enfin avec les données cliniques et la radiographie thoracique. Cette fusion permet de combiner les caractéristiques cliniques et les caractéristiques extraites des images. Les résultats expérimentaux ont montré que leur modèle améliore la précision du diagnostic.

L'étape de développement du vaccin, y compris la législation et la réglementation des processus, a été considérée par le monde entier comme "la lumière au bout du tunnel obscur du COVID-19". Bien que le rôle remarquable de sauvetage ait été réalisé grâce à la stratégie de contrôle basée sur les vaccins adoptée à l'échelle mondiale, la compétition féroce de développement de vaccins a laissé le monde entier confus.

Comme mentionné ci-dessus, la littérature est si riche en recherche sur le COVID-19. Cependant, la plupart des travaux concernaient la prédiction et le diagnostic de l'infection au COVID-19, soit en utilisant l'état et les symptômes actuels du patient comme caractéristiques, soit la radiographie pulmonaire pour diagnostiquer la maladie. Au meilleur de notre connaissance, il s'agit de la première recherche qui utilise DL pour prédire les effets indésirables qu'un patient peut ressentir après la vaccination contre le COVID-19.

Cette section présente les préliminaires des algorithmes utilisés dans cet article pour aider les lecteurs à comprendre facilement la méthodologie.

L'algorithme Pigeon est un optimiseur bio-inspiré qui a été développé en 201425. Il s'agit d'un algorithme d'intelligence d'essaim basé sur la population qui a été largement utilisé et appliqué avec succès pour résoudre de nombreux problèmes d'optimisation. Les algorithmes bio-inspirés ont toujours été tentants pour les chercheurs en raison de leur capacité à résoudre des problèmes complexes avec un espace de recherche extra-large tels que les problèmes polynomiaux non déterministes. L'algorithme Pigeon tente d'améliorer la qualité des solutions en imitant le comportement social d'un essaim de Pigeon à l'aide d'un modèle mathématique basé sur leur comportement naturel26.

Le comportement de retour des Pigeons est dérivé de deux opérateurs : carte et boussole. Les pigeons peuvent sentir le champ magnétique de la terre, de plus, ils utilisent l'altitude du soleil comme boussole pour modifier constamment leur direction pour atteindre leur destination d'origine. Lorsque les pigeons volants se rapprochent de leur domicile ou de leur destination, ils ont de moins en moins besoin de l'opérateur de la carte et de la boussole. La position Pi ainsi que la vitesse Vi de chaque pigeon i sont mises à jour à chaque itération t. Ceci peut être représenté mathématiquement par les équations suivantes27,28.

où R est un facteur de carte et de boussole, tandis que rand est un nombre aléatoire uniforme dans la plage [0, 1], Pg est la meilleure solution globale.

À chaque itération de l'algorithme Pigeon, les pigeons dépendent de la carte et de l'opérateur de la boussole pour tracer ce qu'on appelle le meilleur Pigeon et donc modifier leur position de vol, et la direction de vol actuelle d'un pigeon donné est représentée mathématiquement par le premier opérande de Eq . (1) et est représenté sur la Fig. 1 par la flèche bleue. La direction de vol du meilleur pigeon est indiquée par la flèche rouge pointillée et est représentée mathématiquement par le deuxième opérande de l'Eq. (1). La prochaine direction vers laquelle un pigeon donné doit naviguer est représentée en additionnant les deux opérandes de l'équation. (1). Les nouvelles positions de vol de tous les pigeons sont calculées à chaque itération et modifiées en conséquence à l'aide des équations. (1) et (2). L'optimiseur Pigeon est répertorié dans l'algorithme (1).

Tous les pigeons ajustent leur position en suivant la meilleure position de pigeon.

Le réseau neuronal récurrent (RNN) est un cas particulier de réseau neuronal où la sortie d'une étape précédente est réutilisée comme entrée pour l'étape suivante. Dans la plupart des réseaux de neurones, les entrées ne dépendent pas des sorties, mais dans certains cas, la prédiction actuelle dépend des valeurs de prédiction précédentes. Par exemple, lors de la prédiction du mot suivant dans une phrase, les mots obtenus à partir des itérations précédentes sont requis et, par conséquent, tous les mots précédents doivent être rappelés pour obtenir le mot suivant dans la séquence. Ce problème est résolu en utilisant une couche cachée qui mémorise les informations obtenues lors des itérations précédentes (voir Fig. 2). En plus des couches cachées, RNN utilise également des boucles vers l'arrière tout au long du processus de calcul pour renvoyer les informations dans le réseau. Les couches cachées et les boucles arrière donnent aux RNN la capacité de traiter des données séquentielles et temporelles.

Réseau neuronal récurrent.

Dans cette section, une discussion du modèle proposé est présentée. Comme le montre la figure 3, le modèle subit trois phases (1) prétraitement des données, (2) processus de sélection des caractéristiques et (3) phases de prédiction. Chacune de ces phases est expliquée dans les sous-sections suivantes après une brève description des données utilisées.

L'architecture du modèle proposé.

L'ensemble de données utilisé dans le modèle proposé est l'ensemble de données du Vaccine Adverse Event Reporting System (VAERS)29. Il a été créé en tant que société entre la Food and Drug Administration (FDA) et les Centers for Disease Control and Prevention (CDC) pour recueillir les effets secondaires signalés pouvant être causés par les vaccins PFIEZER, JANSSEN et MODERNA. L'ensemble de données contient des effets indésirables signalés pour plusieurs vaccins, pas seulement pour le vaccin SARS-CoV-2. Tous les vaccins autres que les vaccins COVID-19 ont été exclus de l'étude actuelle. L'ensemble de données contient des informations sur les effets secondaires post-vaccination. Le VAERS est utilisé pour permettre à un patient de signaler les effets secondaires ressentis après la vaccination. L'ensemble de données se compose de trois fichiers de données qui sont mis à jour périodiquement, la date de mise à jour la plus récente étant référencée sur le site Web. Le jeu de données comprend trois fichiers. Un fichier est dédié aux antécédents démographiques et médicaux des patients, le deuxième fichier contient les réactions post-vaccinales des patients et le dernier fichier contient des informations sur les vaccins. Les fichiers de l'ensemble de données ont été fusionnés selon la clé primaire "VAERS ID" et seules les données des patients vaccinés contre le COVID-19 ont été utilisées. Le tableau 1 présente les variables utilisées et leurs descriptions.

Les effets indésirables idiosyncratiques peuvent affecter divers organes, notamment la peau, les muscles, le foie, les reins et le cœur, et certains médicaments/vaccins peuvent provoquer des réactions d'hypersensibilité plus généralisées. Selon la gravité des effets secondaires, il est généralement classé de 1 à 4. Le grade 1 est très léger et le grade 4 est très grave.

CATÉGORIE 1 (Doux).

CATÉGORIE 2 (Modéré).

GRADE 3 (sévère).

GRADE 4 (potentiellement mortelle).

Cette étude vise à déterminer le degré d'effets secondaires de chaque type de vaccin COVID-19 mentionné dans l'ensemble de données actuel. Le tableau 2 décrit l'organe ou le système physiologique lié à l'effet secondaire.

À partir de l'ensemble de données étudié, les effets indésirables des patients sont pris en compte dans cette étude. Le champ « SYMPTOM_TEXT » de l'ensemble de données brutes comprend les antécédents médicaux globaux du patient. En utilisant des techniques de correspondance de chaînes, toutes les conditions médicales existantes et les conditions préalables du patient ont été extraites du champ "SYMPTOM_TEXT" de l'ensemble de données. Chaque condition a été ajoutée en tant que champ binaire séparé à l'ensemble de données, où « 0 » indique que le patient n'a pas cette condition médicale, et « 1 » indique qu'il souffre d'une telle condition. 49 conditions médicales signalées ont été trouvées dans le champ "SYMPTOM_TEXT". Des exemples de conditions médicales incluses sont l'hypertension, le diabète, la MPOC, les maladies rénales, la dépression et l'asthme. Les effets indésirables signalés du vaccin COVID-19 sont également inclus.

Certains receveurs de vaccins avaient présenté certains symptômes et sont décédés peu de temps après la vaccination, d'autres ont été réinfectés par le COVID-19 et certains ont subi des effets secondaires graves et ont dû être hospitalisés pour traitement. Trois types différents de classes cibles pour l'analyse des réactions des patients après la vaccination sont considérés. Il s'agit du « statut de décès », du « statut d'admission à l'hôpital » et du « récupéré ». Les trois classes ne sont pas mutuellement exclusives.

Pour le jeu de données VAERS, le nettoyage des données est effectué en supprimant toutes les valeurs manquantes. De plus, le jeu de données n'est pas correctement distribué. L'algorithme d'échantillonnage hybride qui combine des techniques de sur- et de sous-échantillonnage peut être appliqué à l'ensemble de données pour surmonter ce problème.

La démographie graphique des classes cibles est donnée à la Fig. 4 représentant la distribution des individus pour chaque classe cible dans l'ensemble de données pour les vaccins PFIEZER, JANSSEN et MODERNA.

Répartition en classe des effets indésirables des patients après vaccination PFIEZER, JANSSEN et MODERNA.

Choisir les bonnes caractéristiques qui peuvent améliorer la précision du modèle DL est une étape très importante dans le processus de classification. La sélection des fonctionnalités peut être définie comme le processus de sélection d'un sous-ensemble de fonctionnalités à partir d'un ensemble de fonctionnalités originales susceptibles d'influencer le plus le résultat. La sélection de caractéristiques améliore la qualité et les performances prédictives, et l'avantage le plus important de la sélection de caractéristiques est le temps de calcul réduit par le modèle de classification. Dans le modèle proposé, l'algorithme Pigeon a été utilisé pour la phase de sélection des caractéristiques.

L'algorithme Pigeon a été utilisé lors de la phase de sélection des fonctionnalités pour trouver les meilleures fonctionnalités. La fonction de coût utilisée est donnée dans l'Eq. (3). La solution est un sous-ensemble de fonctionnalités sélectionnées à partir de l'ensemble de fonctionnalités d'origine en termes de taux de vrais positifs (TPR), de taux de faux positifs (FPR) et de certaines fonctionnalités. Avec cette fonction de fitness, toutes les fonctionnalités qui n'affectent pas le TPR ou le FPR sont éliminées car elles ne changeront pas la qualité de la solution. L'équation (3) présente la formule utilisée pour évaluer l'aptitude du pigeon ou de la solution30.

où N est le nombre d'entités sélectionnées, TN est le nombre total d'entités et a + b + c = 1.

Les tableaux 3, 4 et 5 indiquent les meilleures caractéristiques sélectionnées par l'optimiseur Pigeon pour les vaccins PFIEZER, JANSSEN et MODERNA respectivement. On peut remarquer que dans le cas du vaccin PFIEZER, certaines caractéristiques sont considérées comme significatives pour les trois classes cibles "Décès", "Hospitalisé" et "Récupéré" telles que l'âge, les allergies, la douleur, les "soins intensifs". D'autre part, certaines caractéristiques sont remarquées comme étant spécifiques à une certaine classe cible, telles que la fonction « tachycardie » pour la classe cible « Mort », la fonction « sensation anormale » pour la classe cible « Récupéré » et le « test SARS-CoV-2 ». caractéristique positive pour la classe "Hospitalisé". De même, pour les vaccins JANSSEN et MODERNA, certaines caractéristiques sont communes aux trois classes cibles de patients et d'autres caractéristiques sont spécifiques à chaque classe cible.

Dans le modèle proposé, trois classes cibles "Statut de décès", "Hospitalisé" et classes "Récupéré" sont prédites, il convient de noter que les classes ne sont pas mutuellement exclusives, ce qui signifie que plus d'une classe cible peut se produire chez le même receveur . Par exemple, un vacciné pourrait être hospitalisé puis mourir, ou être hospitalisé puis se rétablir. Ainsi, une classe cible est prédite à la fois avec chaque type de vaccin, comme décrit à la Fig. 5. Pour chaque vaccin (PFIEZER, JANSSEN et MODERNA), les trois classes cibles "Statut de décès", "Hospitalisé" et les classes " Récupéré" sont prédits un à la fois. C'est-à-dire que la classe cible "Statut de décès" pour le vaccin PFIEZER est prédite, la classe cible "Hospitalisé" pour le vaccin PFIEZER est prédite, et enfin la classe cible "Récupéré" pour le vaccin PFIEZER est prédite. La même chose est faite pour les vaccins JANSSEN et MODERNA. En d'autres termes, si PFIEZER est pris par un receveur, quelle est la probabilité que ce receveur meure, soit hospitalisé ou se rétablisse.

RNN pour les trois classes cibles pour chaque type de vaccin.

Cette section présente les résultats de cette recherche. Les expériences ont été menées sur un ordinateur i5 à 3 GHz avec une mémoire principale de 4 Go et un système d'exploitation Windows 7 64 bits. L'expérience est réalisée à l'aide du langage de programmation python.

Du point de vue de la pharmacovigilance pour les vaccins COVID-19 étudiés, le but de cette étude était de découvrir les effets secondaires les plus courants dans chaque catégorie de patients.

Les figures 6, 7, 8 ont montré des intersections de caractéristiques entre les trois vaccins pour les classes de patients « Décès », « Hospitalisé » et « Récupéré » respectivement. On peut remarquer sur les figures que certaines caractéristiques sont communes aux trois vaccins tandis que d'autres sont précisées pour chacun d'eux.

Présente une intersection entre les trois vaccins pour la classe cible de patients « Mort ».

Présente une intersection entre les trois vaccins pour la classe des patients "Hospitalisés".

Présente une intersection entre les trois vaccins pour la classe cible des patients "récupérés".

Dans la classe "Décès", on constate que les trois vaccins partagent sept caractéristiques (âge_ans, érythème, allergies, arrêt cardiaque, accident vasculaire cérébral, perte de conscience et ofc_visite), tandis que la caractéristique d'inconfort thoracique, par exemple, est spécifique pour uniquement le vaccin PFIZER.

Les figures 9, 10 et 11 montrent le nombre d'effets secondaires en fonction de leur effet sur les organes chez les patients décédés, hospitalisés et récupérés après les trois vaccins pour chaque classe. Dans le cas du vaccin PFIEZER, les effets secondaires liés au SNC sont les plus fréquents dans toutes les catégories de patients que les effets secondaires liés au sang. Les troisièmes effets secondaires les plus courants chez les personnes décédées, hospitalisées et guéries sont respectivement les effets secondaires CVS, GIT et allergiques, Fig. 9. Dans le cas du vaccin JANSSEN, les effets secondaires liés au SNC sont les plus courants dans toutes les catégories de patients. puis les effets secondaires liés au CVS en cas de catégories décédées et récupérées, Fig. 10.

Nombre d'effets secondaires en fonction de leur effet sur les organes chez les patients décédés, hospitalisés et récupérés après le vaccin PFIEZER.

Nombre d'effets secondaires en fonction de leur effet sur les organes chez les patients décédés, hospitalisés et récupérés après le vaccin JANSSEN.

Aucun effet secondaire basé sur leur effet sur les organes chez les patients décédés, hospitalisés et récupérés après le vaccin MODERNA.

Dans le cas du vaccin MODERNA, les effets secondaires liés au SNC sont les plus courants dans toutes les catégories de patients que les effets secondaires liés au SNA en cas de décès et de rétablissement. Dans les cas hospitalisés, le sang est le deuxième effet secondaire le plus courant. Le troisième effet secondaire courant chez les personnes décédées et guéries est les effets secondaires cardiovasculaires, Fig. 11.

Parmi les différents types de modèles d'apprentissage en profondeur, les réseaux de neurones récurrents (RNN) et les réseaux de mémoire longue à court terme (LSTM) ont attiré une attention particulière pour leur capacité à gérer les données. Dans cette section, nous comparerons les modèles RNN et LSTM pour la classification des patients à l'aide d'un classificateur d'apprentissage en profondeur. Nous explorerons les forces et les limites de chaque modèle et mettrons en évidence les facteurs et les différentes mesures d'évaluation des performances telles que (précision, rappel, spécificité, précision, F1_Score et temps de calcul. Les tableaux 6, 7 et 8 montrent une comparaison entre les modèles RNN et LSTM pour le classification des effets indésirables des patients après les trois vaccins des trois classes cibles « État de décès », « Hospitalisé » et « Récupéré ».

Les tableaux ci-dessus et les résultats montrent que le modèle RNN a surpassé le LSTM dans plusieurs mesures telles que l'exactitude, le rappel, la spécificité, la précision et le score F1, indiquant sa performance supérieure dans les tâches de classification des patients. D'autre part, le modèle RNN est moins bon que le LSTM en ce qui concerne le temps de calcul et cette limitation sera considérée comme un point de recherche pour les recherches futures.

Le classificateur RNN a été testé en utilisant différentes valeurs pour la taille des lots et les époques. Les figures 12, 13 et 14 montrent la comparaison des performances pour les effets indésirables des patients après les trois vaccins en termes d'exactitude, de rappel, de spécificité, de précision et du F1_score des trois classes cibles "Statut de décès", "Hospitalisé" et " Rétabli". on observe que les performances du modèle proposé étaient meilleures dans la plupart des cas lors de l'utilisation de 50 époques et que la taille du lot était égale à 50. En conséquence, les meilleurs paramètres utilisés pour le classificateur RNN sont donnés dans le tableau 6.

Comparaison des performances pour les effets indésirables des patients après le vaccin PFIEZER en utilisant différents nombres d'époques et différentes tailles de patch où E représente le nombre d'époques et B représente la taille du lot. (a) classification des patients décédés. (b) classification des patients hospitalisés. (c) classification des patients guéris.

Comparaison des performances pour les effets indésirables des patients après le vaccin JANSSEN en utilisant un nombre différent d'époques et une taille de patch différente où E représente le nombre d'époques et B représente la taille du lot. (a) classification des patients décédés. (b) classification des patients hospitalisés. (c) classification des patients guéris.

Comparaison des performances pour les effets indésirables des patients après MODERNA en utilisant un nombre différent d'époques et une taille de patch différente où E représente le nombre d'époques et B représente la taille du lot. (a) classification des patients décédés. (b) classification des patients hospitalisés. (c) classification des patients guéris.

En utilisant les paramètres de classificateur RNN donnés dans le tableau 9, on observe que le modèle proposé donne les scores les plus élevés d'exactitude, de rappel, de F1_Score, de spécificité et de précision pour la cible de la classe "Death Statues" dans la vaccination PFIEZER avec une valeur de précision de 96,03% comme illustré à la Fig. 15. Alors que dans la vaccination JANSSEN, la Fig. 16 a montré que la classe cible "Hospitalisé" a les performances les plus élevées avec une précision de lecture de 94,7%. Et enfin, le modèle a les meilleures performances pour la classe "Récupéré" dans la vaccination MODERNA avec une précision de 97,794% comme le montre la Fig. 17.

Comparaison des performances des effets indésirables des patients après vaccination PFIEZER pour chaque classe.

Comparaison des performances des effets indésirables des patients après vaccination JANSSEN pour chaque classe.

Comparaison des performances des effets indésirables des patients après vaccination MODERNA pour chaque classe.

La comparaison des pertes pour les ensembles de données de validation et de formation des effets indésirables des patients après la vaccination PFIEZER, JANSSEN et MODERNA pour chaque classe est donnée dans les Figs. 18, 19 et 20 respectivement. Une comparaison de précision similaire pour les ensembles de données de validation et de formation des effets indésirables des patients après la vaccination PFIEZER, JANSSEN et MODERNA pour chaque classe est donnée dans les Fig. 21, 22 et 23 respectivement.

Comparaison des pertes pour les ensembles de données de validation et de formation des effets indésirables des patients après le vaccin PFIEZER. (a) modèle de perte pour les patients décédés. (b) modèle de perte pour les patients hospitalisés. (c) modèle de perte pour les patients récupérés.

Comparaison des pertes pour les ensembles de données de validation et de formation des effets indésirables des patients après le vaccin JANSSEN. (a) modèle de perte pour les patients décédés. (b) modèle de perte pour les patients hospitalisés. (c) modèle de perte pour les patients récupérés.

Comparaison des pertes pour les ensembles de données de validation et de formation des effets indésirables des patients après le vaccin MODERNA. (a) modèle de perte pour les patients décédés. (b) modèle de perte pour les patients hospitalisés. (c) modèle de perte pour les patients récupérés.

Comparaison de la précision des ensembles de données de validation et de formation des effets indésirables des patients après le vaccin PFIEZER. (a) précision pour les patients décédés. (b) précision du modèle pour les patients hospitalisés. (c) précision du modèle pour les patients récupérés.

Comparaison de la précision des ensembles de données de validation et de formation des effets indésirables des patients après le vaccin JANSSEN. (a) précision pour les patients décédés. (b) précision du modèle pour les patients hospitalisés. (c) précision du modèle pour les patients récupérés.

Comparaison de précision pour les ensembles de données de validation et de formation des effets indésirables des patients après le vaccin MODERNA. (a) précision pour les patients décédés. (b) précision du modèle pour les patients hospitalisés. (c) précision du modèle pour les patients récupérés.

Enfin, avec le développement de vaccins avec un approvisionnement initial limité, de telles méthodes peuvent être utiles pour identifier les patients à haut risque pour les campagnes de primo-vaccination. L'éducation du grand public sur la sécurité des vaccins est essentielle pour la santé publique et les campagnes de vaccination à grande échelle en cours et à venir. Les résultats obtenus aideront dans les démarches de pharmacovigilance et de sécurité des médicaments pour choisir le meilleur vaccin en fonction des antécédents médicaux du patient.

Un test Wilcoxon Signed Rank a été effectué pour déterminer s'il existe une différence statistiquement significative entre le modèle proposé utilisant RNN et le modèle LSTM. Le test Wilcoxon Signed Rank est un test statistique non paramétrique utilisé pour comparer deux échantillons liés. Il est couramment utilisé pour déterminer s'il existe une différence significative entre deux méthodes ou traitements appliqués à un même groupe de sujets. Le test est particulièrement utile lorsque l'hypothèse de normalité n'est pas satisfaite ou lorsque la taille de l'échantillon est petite. L'hypothèse nulle du test est qu'il n'y a pas de différence entre les médianes de population des deux échantillons, et l'hypothèse alternative est que les médianes ne sont pas égales. Si la valeur de p est inférieure au seuil de signification (habituellement 0,05), l'hypothèse nulle est rejetée et on en conclut qu'il existe une différence significative entre les deux échantillons31. Les statistiques descriptives pour les deux modèles ont montré que RNN avait une précision moyenne plus élevée que le modèle LSTM où la précision moyenne du modèle LSTM était de 86,197778 (SD = 6,2431678) et la précision moyenne du modèle RNN était de 91,941778 (SD = 4,9613537) comme montré dans le tableau 10.

Le test de rang signé de Wilcoxon a indiqué que le modèle RNN avait un rang moyen plus élevé (rang moyen = 3,00) que le modèle LSTM, indiquant une différence significative entre les deux modèles. De plus, il y avait une différence significative de précision entre les modèles LSTM et RNN (Z = − 2,312, p = 0,021 bilatéral). La valeur Z négative suggère que Accuracy_RNN est statistiquement significativement inférieur à Accuracy_Lstm. La valeur de p de 0,021 indique qu'il y a 2,1 % de chances d'observer une différence aussi importante entre les deux modèles uniquement par hasard, et que cette différence est statistiquement significative au niveau de 0,05. Tableau 11 : Résumez les résultats du test de rang signé de Wilcoxon pour les modèles RNN et LSTM.

Dans cet article, un modèle basé sur DL a été développé pour étudier les effets indésirables de Covid-19 après la vaccination de trois vaccins (PFIEZER, JANSSEN et MODERNA). Seules trois catégories sont prises en compte, statut de décès, hospitalisé et récupéré.

Sur la base de la précision obtenue, nous pouvons conclure que le modèle proposé est un modèle prometteur pour identifier la relation entre le type de vaccin COVID-19 et les effets secondaires qui apparaissent sur les patients après la vaccination.

Sur la base du travail effectué, certains points clés sont résumés comme suit :

On peut en déduire que certains effets secondaires ont été augmentés chez les patients selon le type de vaccins COVID-19.

Les effets secondaires liés au système nerveux central et au modèle hématopoïétique étaient élevés dans tous les types de vaccin COVID-19.

L'analyse du rapport des effets secondaires qui ont été détectés chez les personnes hospitalisées plus que les personnes récupérées selon le type de vaccin COVID-19.

Le nombre d'allergies et d'effets secondaires cardiovasculaires augmente après la vaccination avec le vaccin PFIZER.

Le nombre de GIT et d'effets secondaires sanguins augmente après la vaccination avec le vaccin JANSSEN.

Le nombre d'effets secondaires sanguins et allergiques augmente après la vaccination avec le vaccin MODERNA.

Comme illustré précédemment, la littérature est très riche en recherche sur le COVID-19 et sa corrélation avec différents domaines scientifiques. Cependant, la plupart des travaux, en particulier ceux impliquant des applications d'IA, concernaient la prédiction ou le diagnostic de COVID-19, soit en utilisant l'état actuel et les symptômes du patient comme caractéristiques, soit la radiographie pulmonaire pour diagnostiquer la maladie. À notre connaissance, il s'agit de la première recherche qui utilise DL pour prédire les effets indésirables qu'un patient peut ressentir après la vaccination COVID-19, ce qui aura un impact remarquable sur les problèmes de santé publique liés au vaccin COVID-19, soit au niveau de la prise d'une dose primaire, prise d'une dose de rappel des vaccins déjà approuvés ou pour ceux encore en cours de développement dans les phases précliniques, de développement des premier, deuxième et troisième vaccins et seront introduits dans un avenir proche.

La nécessité d'obtenir plus d'informations sur COVID-19 est toujours requise. L'avenir a suggéré des travaux pour identifier la relation entre les effets secondaires générés par les vaccins COVID-19 et d'autres vaccins approuvés par l'OMS afin de minimiser la gravité de l'administration des deux thérapies chez un patient spécifique. L'application d'un autre modèle DL au problème étudié avec un temps de calcul satisfaisant peut améliorer la précision de la prédiction et peut être considérée comme un nouveau point de recherche future.

Les ensembles de données générés et/ou analysés au cours de l'étude actuelle sont disponibles dans le référentiel [vaers], [https://vaers.hhs.gov/data/datasets.html]. Il n'y a aucun sujet humain ou animal utilisé dans cette étude. Les données sont des données publiques.

https://www.who.int/ (consulté en septembre 2022).

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

Heidary, M. et al. Un examen complet des vaccins à sous-unités protéiques contre le COVID-19. Devant. Microbiol. 14(13), 927306 (2022).

Article Google Scholar

Jiang, L. et al. Une méthode de régression de voisinage ancrée adaptative pour l'amélioration d'images médicales. Multimed. Outils Appl. 79, 10533–10550 (2020).

Article Google Scholar

Arel, I., Rose, DC et Karnowski, TP Apprentissage automatique en profondeur - une nouvelle frontière dans la recherche sur l'intelligence artificielle. Calcul IEEE. Renseignement. Mag. 5(4), 13–18 (2020).

Article Google Scholar

Rizk, Y., Hajj, N., Mitri, N. & Awad, M. Réseaux de croyances profondes et algorithmes corticaux : une étude comparative pour la classification supervisée. Appl. Calcul. Informer. 15(2), 81–93 (2019).

Article Google Scholar

Askr, H. et al. Apprentissage en profondeur dans la découverte de médicaments : une revue intégrative et les défis futurs. Artef. Renseignement. Rév. 56, 1–63 (2022).

Google Scholar

Arora, N., Banerjee, AK & Narasu, ML Le rôle de l'intelligence artificielle dans la lutte contre le COVID-19. Fut. Virole. https://doi.org/10.2217/fvl-2020-0130 (2020).

Article Google Scholar

Organisation Mondiale de la Santé. Maladie à coronavirus 2019 (COVID-19) : état des lieux. 156. www.who.int/docs/default.source/coronaviruse/situation-reports/20200624-covid-19-sitrep-156.pdf?sfvrsn=af42e4802 (2020).

Kim, J.-M. et coll. Identification d'un coronavirus isolé chez un patient en Corée avec COVID-19. Osong Public Health Res. Perspective. 11(1), 3–7 (2020).

Article PubMed PubMed Central Google Scholar

Guan, W. et al. Caractéristiques cliniques de la maladie à coronavirus 2019 en Chine. N. Engl. J. Med. 382(18), 1708–1720 (2020).

Article CAS PubMed Google Scholar

Ruan, S. Probabilité de survie de la maladie à coronavirus 2019. Lancet Infect. Dis. 20(6), 630–631 (2020).