基于案例推理的早期 COVID-19 检测和诊断方法

医学信息学解锁20（2020）100395一种基于案例推理的疾病早期检测和诊断框架新型冠状病毒Olaide N.Oyelade a，b，Absalom E. Ezugwu b，*a尼日利亚扎里亚艾哈迈杜贝洛大学计算机科学系b夸祖鲁-纳塔尔大学计算机科学学院，地址：King Edward Avenue，Pietermaritzburg Campus，Pietermaritzburg，3201，KwaZulu-Natal，南非A R T I C L EI N FO保留字：COVID-19状病毒基于实例推理的本体自然语言处理A B S T R A C T冠状病毒，也称为COVID-19，已被世界卫生组织（WHO）宣布为大流行病。在进行这项研究时，它已记录了超过11，301，850例确诊病例，而超过531，806例因其死亡，这些数字在全球每天都在上升。这种高度传染性呼吸道疾病的负担是，它在已经感染的人中以症状和无症状的模式出现，从而导致疾病收缩和死亡人数的指数上升。因此，至关重要的是，要在全世界加快这一疾病的早期发现和诊断进程。基于案例的推理（CBR）模型是一个令人信服的范例，它允许利用以前经历过的特定案例知识，具体的问题情况或特定的患者案例来解决新的案例。因此，本研究旨在利用非常丰富的COVID-19病例数据库来解决新病例。本研究采用的方法采用了改进的CBR模型，用于COVID-19疑似病例分类中的最先进推理任务。CBR模型利用了一种新的特征选择和基于语义的数学模型，在这项研究中提出的情况下相似性计算。从意大利医学和介入放射学会（SIRM）资料库获得的71例（67例成人和4例儿科）病例中获得了档案的初始人群。结果表明，在这项研究中，所提出的方法成功地将疑似病例分类到他们的类别，准确率为94.54%。该研究发现，该模型可以支持医生根据他们的医疗记录轻松诊断COVID-19疑似病例，而无需对标本进行实验室检测。因此，将有一个全球通过缓慢的检测将传染率降至最低，此外，在全球某些地区观察到的确诊病例1. 介绍新型冠状病毒病，也称为COVID-19，于2019年 12月首次在中国报告到目前为止，该病毒已经影响了全球213个国家和地区以及2个国际合作伙伴。由于其致病性和在全球的广泛分布，它现在被认为是一个主要的全球健康问题COVID-19病毒是一种高度传染性的呼吸道疾病，自2019年12月下旬在中国首次报告以来，已在全球迅速传播[53]。根据世卫组织考虑到COVID-19确诊病例和死亡病例的指数增长，这加快了我们与科学和研究界合作，提出并开发了几种新的流行病学模型方法，以减缓COVID-19疫情的传播。最近开发了一些数学和统计模型，以批判性地分析正在进行的COVID-19和其他相关疾病爆发的传播模式[14同样重要的是，要认识到所有不同的流行病学对估计病毒传播动态的贡献。尽管如此，大多数现有的拟议模型是参数依赖的，它们主要依赖于多个假设[20]，使它们有效。此外，由于在流行病爆发期间，使用真实数据集估计参数通常既不容易也不可靠，这些数据集不容易用于此类拟议模型的实验测试[21，22]。此外，在大多数报告的模型参数设置中，* 通讯作者。电子邮件地址：olaide_oyelade@yahoo.com（O.N. Oyelade），ezugwua@ukzn.ac.za（A.E.Ezugwu）。https://doi.org/10.1016/j.imu.2020.100395接收日期：2020年5月14日;接收日期：2020年7月6日;接受日期：2020年7月9日2020年7月23日在线提供2352-9148/© 2020作者。出版社：Elsevier Ltd这是CC BY许可下的开放获取文章（http://creativecommons.org/licenses/by/4.0/）。可在ScienceDirect上获得目录列表医学信息学期刊主页：http://www.elsevier.com/locate/imuO.N. Oyelade和A.E. 埃祖格武医学信息学解锁20（2020）1003952可以发现，这些模型的作者选择使用假设的参数值，而不是使用看起来足够接近从实际数据集的统计特性得出的真实世界值的实际参数值。然而，在这种情况下，假设参数的使用非常有限，因为它不能很好地拟合数据[20]。因此，考虑到与当前现有数学和统计流行病学模型相关的上述挑战，使用这些模型来正确估计和预测COVID-19爆发的指数增长将具有任何高预测准确性水平。就目前而言，尽管采取了所有这些措施，并提出了有吸引力的建模建议，但该病毒仍保持着从国家呈指数级传播的能力。 从一个国家到另一个大陆，甚至是许多国家最强大的医疗保健系统的功能和能力都在不断扩展。病毒的指数级传播给全球各国的卫生设施（检测和实验室中心以及ICU）带来了巨大的负担。因此，迫切需要自动化系统来加速疑似病例的分类，而不是手动诊断方法。此外，延迟诊断已经建立了对普通流感和肺炎病例的担忧，这些病例具有COVID-19的一些特征。虽然许多相关的人工智能（AI）的基础上提出了尽管文献中的研究似乎是为处理当前冠状病毒大流行的任务而精心设计的，包括估计确诊病例和预测COVID-19传播速度，但由于这些模型严重依赖许多不准确的决策变量和不精确的参数估计，因此其性能和准确性可能会下降例如，深度学习模型在COVID-19病例检测中的使用主要基于数字图像[23，56-58 ]，很少努力利用患者电子健康记录系统（EHR）中存储的非常有用，揭示性和丰富的知识。因此，假设上述限制可能导致相互矛盾的预测结果，这可能总是导致不满意和不准确的结果。这将对公共卫生规划和决策产生负面影响。因此，为了克服现有流行病学和基于人工智能的模型方法的上述局限性，本文提出了一种有前途的替代诊断和预测框架，旨在通过结合基于本体的自然语言处理和基于案例的推理的优势来实现更准确的结果并避免先前的局限性，以早期检测和诊断新型冠状病毒大流行。丰富的COVID-19确诊病例数据库支持采用基于案例的推理（CBR），digm作为用于改进诊断的真实推理结构。CBR是一种人工智能范例，已被证明在医疗系统中是有用的，并且还利用其知识库中的案例相似性来提供新案例或问题的解决方案与新案例紧密相关的案例检索通常使用不同的相似度计算模型来计算，如欧氏距离，已被不同的研究所采用。然而，CBR系统都面临着特征提取和形式化的挑战。此外，选择最佳的距离度量模型来计算病例之间的相似性，是一个问题，需要最优的解决方案，考虑到医疗病例的敏感性CBR推理是指利用旧的经验来理解和解决新的问题。在基于案例的推理中，推理者记住与当前情况相似的先前情况，并使用它来解决新问题[38]。CBR和专家系统在人工智能领域有着悠久的传统。基于社区的康复自1970年代末CBR是人类和计算机解决问题和学习的方法[39]。基于案例的推理在智能体的问题求解和自动学习中非常有用。由于经验证据表明，CBR推理更强大，这使得通过重用过去的案例进行推理成为解决人类问题的一种强大基于案例推理的一个本质特征是它与学习的耦合性和它的强与机器学习相关[40]。Ben-Bassat等人[41]列举了CBR的一些特征，这些特征包括：表现出相似症状的病例和来自相同故障/疾病的发现结果，以及“最近邻”算法用于从已知诊断中识别未知诊断。CBR避免了RBR的知识获取瓶颈，它编译过去的解决方案，模仿人类专家的诊断经验，避免过去的错误，解释规则，补充弱领域模型，便于解释，支持知识获取和学习，并利用已解决问题的数据库进行学习。在本文中，我们介绍了将自然语言处理、本体学习和人工智能技术相结合的概念，以应对新型冠状病毒或COVID-19大流行的最关键挑战。因此，本研究的主要目标是将自然语言处理（NLP）的概念应用于本体学习和人口任务，然后使用改进的CBR技术将COVID-19病例分类为阳性或阴性，即使该疾病仍处于所呈现病例的早期表现阶段。设计并实现了一个用于实例特征提取的NLP模型。本研究的创新之处在于对所有先验特征的句子级特征值对提取的鲁棒性和效率。此外，案例检索相似性度量应用于建议的基于NPL的CBR框架有助于该系统的有趣的性能。具体而言，本研究的技术贡献如下：i. 设计用于COVID-19疑似病例特征提取和映射的本体学习算法。ii. 提出了一种新的基于语义和特征的案例相似度计算数学模型。iii. 将所提出的数学模型纳入到一个改进的CBR框架中。iv. 实施CBR框架，允许将COVID-19疑似病例检测或分类为阳性或阴性。论文的其余部分分为六个部分，即：相关工作，提出的方法，实验，结果，讨论和结论。相关工作部分全面回顾COVID-19相关研究。在第3节中，提出了CBR框架的方法的细节，而第4节讨论了实验和系统配置的实验。在第5节中，我们提出了一个比较的性能所提出的方法与一些相关的研究，然后在第6节中总结研究。2. 相关作品近年来，人工智能（AI）被认为是对抗埃博拉出血热等许多不断演变的流行病的潜在强大工具。（2014-2016年）、猪流感（2002-2003年）、SARS（2002-2003年）、中东呼吸综合征冠状病毒（MERS-CoV）（2012年至今）和新型冠状病毒（COVID-19）（2019年至今）。就持续的二零一九年至二零二零年新型冠状病毒大流行而言，已出现数十项研究工作，而大部分已发表的论文集中于利用人工智能技术遏制全球COVID-19大流行的重要性。本节对最近讨论人工智能技术应用的许多重大贡献的文章进行了选择性回顾 在抗击COVID-19的斗争中，以及目前对这些贡献的限制。具体而言，在参考文献[1]中，确定了人工智能技术已成为对抗冠状病毒的关键解决方案的六个领域。这些领域包括：i）早期预警和警报，ii）跟踪和预测，iii）数据仪表板，iv）诊断和预后，v）治疗和治愈，以及vi）社会控制。因此，我们认为，O.N. Oyelade和A.E. 埃祖格武医学信息学解锁20（2020）1003953在本节中所呈现的大多数后续讨论集中于调查在对抗上述流行病的传播中，人工智能在多大程度上被部分或完全利用。本节中介绍的选定综述讨论仅涵盖已在同行评审期刊上发表的文章。预印文章不在当前综述讨论的范围内在[2]中，研究了通过使用人工智能和回归分析的二元分类对COVID-19确诊病例的分析在他们的研究中，作者采用了数据处理型神经网络的分组方法的二进制分类建模，作为准确预测COVID-19疫情确诊病例本研究选择了中国湖北省作为模型构建的对于输入和输出变量，一些重要的因素，如最高，最低和平均日温度，城市密度，相对湿度和风速，被认为是输入数据集，而确诊病例数被选为30天的输出数据集。此外，调查结果显示，所提出的二元分类模型能够提供更高的性能能力，在预测该省的确诊病例。此外，对结果的分析表明，基于输入变量的某些天气条件，即平均77.9%的相对湿度，对确诊病例和日最高温度有积极影响平均15.4 ℃对确诊病例有负面影响Mohammed等人[3]提出了两种优化元启发式技术的应用，以提高所提出的自适应神经模糊推理系统的预测性能准确性，该系统用于根据中国先前记录的确诊病例估计和预测未来十天内新型冠状病毒确诊病例的数量。所开发的基于混合元启发式的自适应神经模糊推理系统由自适应神经模糊推理引擎和两种元启发式算法组成，即花授粉算法和salpswarm算法。作者利用改进的花授粉算法对模糊神经推理系统进行参数优化训练，同时采用salp群算法作为局部搜索方法提高模型解的质量。结果表明，该模型对未来10天内的确诊病例数具有较高的预测能力。它进一步建立了混合系统，与其他方法相比，获得了更优越的性能精度在以下性能指标：均方根误差，平均绝对误差，平均绝对百分比误差，均方根相对误差和决定系数Ting等[4]探讨了四个相互关联的潜在应用数字技术对抗新型冠状病毒的传播。这些技术包括物联网、大数据分析、人工智能和区块链。作者在他们的工作[4]中提出了一些合理的理由，说明为什么上述四种数字技术可以用于增强应对COVID-19的已经紧张的传统公共卫生战略。一些已经实施并在全球范围内持续使用的传统公共医疗保健策略包括：（1）COVID-19的监测、监测、检测和预防;以及(2)减轻与COVID-19间接相关的医疗保健影响。作者进一步指出，数字技术可以 在以下方面有所帮助。物联网技术可用于提供一个平台，允许公共卫生机构访问数据以监测COVID-19大流行。大数据技术可以帮助提供机会，对病毒活动进行建模研究，并指导各国的卫生保健政策制定者加强对疫情的准备。一旦COVID-19疫苗可用，区块链技术在其制造和分销中可能至关重要。 类似地，区块链可以用于促进将患者的常规药物运送 AI和深度学习技术可用于加强COVID-19的检测和诊断。此外，利用各种基于AI的分类系统可能会减轻医生的临床负担Vaishya等人[5]在他们的研究中强调了一些新技术，如人工智能，物联网，大数据和机器学习可能在对抗新疾病以及任何大流行病的可能预测中发挥的重要作用。参考文献[5]的作者重点介绍了关于利用人工智能平台作为分析的决定性技术的简要回顾，为预防和抗击COVID-19和任何其他类似的流行病做好准备。在他们的研究结果中，确定了人工智能技术的七个重要应用领域，以应对COVID-19疾病的传播。这些地区如参考文献中所述。[5]包括早期发现和诊断感染，监测治疗，预测病例和死亡率，开发药物和疫苗，减少医护人员的工作量，以及预防疾病。此外，该技术还被确定为有能力通过收集和分析所有以前的数据来检测病例群并预测病毒传播的可能位置。Leung和Leung [6]讨论了众包数据的条款，以减轻流行病。作者调查了COVID-19可能行列表的不同和各种来源。作者考虑的来源包括中国大陆各省市卫生委员会的数据交换所或二级存储库以及官方网站或社交媒体账户。众包过程中的一些主要瓶颈与严格的任务有关，这些任务涉及仔细整理尽可能多的相关数据，筛选和验证数据，提取情报以预测和通报疫情战略，然后在迭代周期中重复这一过程以监测和评估进展[6]。然而，缓解这些挑战的一个可能的方法学突破将是开发和验证自动机器人搜索各种网络空间的算法，通过文本挖掘和自然语言处理来加快这些过程。接下来，我们将简要讨论CBR在医疗保健中的一些应用，特别关注其在分析、预测、诊断和为患者推荐治疗方面的应用。CBR是一种适用于诊断的适当方法，治疗各种各样的健康问题。CBR的研究已经发展到一定程度，从Koton[7]，Bareiss [8]在20世纪80年代末和Gierl等人[9]在20世纪90年代末在医学领域的早期探索开始。然而，CBR的设计和实现还存在一些不足，特别是在适应机制方面。Blanco等人[10]报告了对卫生部门CBR应用的系统性审查结果。在他们的工作中，作者提出了一些增强程序，可用于克服CBR的一些局限性，CBR的重点是准备数据以创建关联规则，帮助减少案例数量并促进适应规则的学习CBR在疾病预测和诊断方面同样受到了显著的关注。在参考文献[11]中，提出了神经网络和基于病例的推理的混合实现，用于预测哥伦比亚人群中的慢性肾脏疾病。开发了基于神经网络的分类器，该分类器用两个人群的人口统计数据和医疗保健信息进行训练，以预测一个人是否有患慢性肾脏疾病的风险。分类结果显示，哥伦比亚约有3，494，516人被确定为有患慢性肾病的风险，占总人口的7%。Benamina等人。[12]提出了模糊逻辑和数据挖掘技术的集成，以提高基于案例推理的相似案例检索步骤的响应时间和准确性。文献[12]提出的模糊CBR由两个互补的部分组成，即由Fispro实现的模糊决策树分类部分和O.N. Oyelade和A.E. 埃祖格武医学信息学解锁20（2020）1003954¼ þ基于实例推理的部分由JColibri平台实现。模糊逻辑的主要功能是降低计算相似度的复杂性，该相似度存在于需要不同监测计划的糖尿病患者之间。作者将他们的结果与一些现有的使用准确性作为性能指标的分类方法进行了比较。实验结果表明，模糊决策树能有效地提高糖尿病分类的准确率，从而提高CBR推理的检索速度Ozturk等人。[23]通过建议使用You Only Look Once（YOLO）与DarkNet结合使用深度学习技术来检测COVID-19。他们的方法通过二元（COVID vs无发现）和多类（COVID vs无发现vs肺炎）分类成功地对COVID-19病例进行了分类，准确率为87.02%。虽然深度学习方法正在受到研究人员的关注，但与CBR系统相比，它们尚未获得广泛的实际应用。此外，一些将CBR与深度学习相结合的研究利用后者来获取领域知识或提取特征权重，而前者则扮演检测的角色[24，25]。尽管综合方法产生了良好的结果[52]，但它们通常受到不可用数据集的限制，特别是在COVID-19疾病的情况下[54]。3. 该方法本节详细介绍了本研究中采用和调整的方法：概述了整个方法，使用自然语言处理技术进行特征提取，提出的基于案例的推理（CBR）方法中的案例形式化，最后是CBR引擎。3.1. 方法概述所提出的NLP-本体-CBR方法接受一个基于文本的patient文件作为输入，然后使用本体表示提取和形式化新的情况下，如图所示。1.一、所提取的病例特征被进一步传递到基于域的特征提取组件，该基于域的特征提取组件将在前一层处的每个所提取的特征映射到基于域的特征。所提取和映射的特征使用基于知识表示格式的描述逻辑（DL）最后，形式化的功能传递到CBR引擎作为一个新的情况下（NC），支持CBR的推理范式的应用因此，图1所述的信息流和处理流程进一步讨论以下各小节详细介绍了该框架的组成部分。3.2. 用于特征提取本研究中的建议是文本CBR（TCBR），其数据集来自使用自然语言存档的患者医疗记录。由于NLP技术在文本CBR方面表现出色，我们决定在最先进的方法基础上，使用NLP通过特征提取来驱动更好的案例表示。自然语言处理技术领域是人工智能（AI）的一个令人兴奋和相关的方面，它广泛应用于医学，甚至互联网上大量基于文本的文档。此外，电子健康记录（EHR）系统现在是普遍的，并且作为服务被提供给其他自动化健康护理递送系统。本节中描述的用于特征提取的NLP方法采用了Dasgupta等人[26]的一些组件和算法。本体学习方法被广泛用于从自然语言文本中挖掘信息以生成所挖掘数据的本体表示这样的本体论表示的目的是提供形式化的表达能力，并为NP文本文档的推理提供一个平台。虽然这项研究假设了一个类似的过程，我们实现了整个过程的骨架轮廓。图2示出了基于患者文本的医疗记录自然语言处理（NLP）和特征提取流水线的修改模型。该模型被称为管道，因为它的方法是通过不同的过程处理原始的基于文件的文本（英语），最终产生的功能（COVID-Fs），在CBR引擎中进一步处理。下面是NLP处理管道的组件的分解，如图所示。第二章：a. 文件加载器和文本输入（FLTI）b. NL预处理：拼写检查，词汇规范化，句子规范化c. 标准化句子成分d. 标准化句子成分标记（NSCaT）。e. 将令牌映射到领域知识（MTDK）f. 将代币表示为COVID-19特征（RTCF）g. 原始特征缓冲区（RFB）文件加载器和文本输入（FLTI）：FLTI是一个非常简单的组件，支持文件格式和安全认证，文件加载和文本内容卸载到缓冲区。NL预处理（NL-P）：第二个组件由其他子模块组成，名为拼写检查，词法规范化器和句子规范化器，它对FRTI层中的缓冲文本进行预处理。一般来说，NL-P旨在通过利用斯坦福核心NLP工具包来执行拼写校正器，标记化，句子边界检测器，文本单值化器，POS标记器，共指解析器和命名实体识别器（NER）等操作[27]。我们将NL-P应用于FLTI中的缓冲文本的方法是允许拼写校正器扫描整个缓冲区并纠正拼写错误的单词，并允许从缓冲文本中有效和智能地挖掘特征-FLTI的改进输出。然后将其转换为列表格式的原始表单（SF）标记，然后根据它们在原始文档中的外观进行排序。在每个SF中，我们试图通过使用单数化器将其成分的每个复数形式规范化为单数形式。使用句子边界检测器从缓冲文本中提取这些SF，并使用POS标记进行标注，然后以有序的方式保存SF以维持健康记录的语义。同时，由于原始文本到本体格式的转换任务，我们进一步使用NER模型来识别和标记实体，然后识别和标记它们的实例，它们分别形成分类的元素-boX（TBoX）和断言boX（Abo x在 结果本体。 一旦 SF已经过预处理，我们将它们应用于下一个名为词法规范器（LN）的子模块在我们的研究中，LN的使用只是为了识别出现在SF中的量词和特殊符号（如>，-，和其他可能在使用中具有意义的医学相关符号）。我们在LN中的方法允许这样的量词/数字表示和符号被归一化为支持图1的RTCF组件中的标记到特征转换的标准形式。 二、应用句子规范化器（SN）的作用是确保复杂的句子被分解成简单的形式，使得SF的元素（比如sfi）被规范化成更简单的形式，假设稍后将讨论的NSC组件的模板。因此，所得到的sfi的简化句子在SF中取代了它标准化句子成分（NSC）：基于英语中句子的结构形成，Dasgupta等人[26]在他们的研究中描述了一个特定的模板或语法。 我们采用了两个模板，即简单句和复杂句，如下所示：Q1M1* S是-aQ2M2* OO.N. Oyelade和A.E. 埃祖格武医学信息学解锁20（2020）1003955Fig. 1. 概述了使用基于案例的推理（CBR）模型将新型冠状病毒（COVID-19）病例分类为阳性或阴性的拟议框架。Q1M1*S Cl1 IS-AQ2M2 *O1 Cl2 IS-AQ3M3 *O2问：下划线符号表示模板中最多出现1次的可选组件量化M*：带星号（*）的下划线表示模板中连续出现0次或多次，例如形容词问题1：主语量词，包括集合的词汇变体：a，an，the，some，all.问题2：对象量词，包括词汇的变化集：的，一些，所有.问题3：对象量词包括集合的词汇变体：the，some，all.M：主语/宾语/动词修饰语;值仅限于集合：名词、形容词、动词、数字和动名词S：主语;值仅限于集合：普通名词（NN），专有名词（NNP），形容词（JJ），副词（RB），动词动名词和现在分词（VBG），用于词性（POS）。O：对象;值仅限于集合：NN，NNP，JJ，RB，VBG，如在词性（POS）中使用的。IS-A：表示所有可能的词汇变化。Cl1和Cl2：表示IS-一个从句标记及其所有变体最后，我们确保SF中的所有句子都适应上述模板，然后我们将其模板拟合算法应用于SF的所有元素作为标记的标准化句子成分（NSCaT）：在子部分3.4中描述的CBR引擎不期望以句子格式输入，而是期望保持其句子形式语法和语义的标记化特征。因此，SF中的每个sfi被进一步标记化为tij形式的原始（未归一化特征）标记的列表，使得i表示句子在SF中的位置，并且j表示正在处理的SF的sfi中的标记的位置。因此，NSCaT的输出是一个不规则的2D原始令牌数组将令牌映射到领域知识（MTDK）：我们假设图二. 基于患者文本的医疗记录自然语言处理（NLP）和特征提取架构流水线。O.N. Oyelade和A.E. 埃祖格武医学信息学解锁20（2020）1003956表1将由基于域的特征提取器提取的冠状病毒临床特征的分类总结。特征类别特征名称描述特征特征标定流行病学性别患者性别男性/女性基本生殖1.5-3.5死亡率孵化时间死亡年龄中位数为75范围：48和89BMI体重指数23.75（4.54）身高重量（kg）（18.75）年龄患者当前年龄45.11岁13.35在纳入的最大研究中，在不到一半的发烧是轻度和中度病例嗅觉缺失社区人群中COVID-19的预测指标强于自我报告的发烧严重病例中发现的肺炎Y|N<39.1� CY|NY|N急性呼吸窘迫综合征（ARDS）在严重的情况下发现。根据低氧血症的程度区分不同形式的ARDS当PaO2不可用时，SpO2/FiO2= 315提示ARDSY|N器官衰竭在严重病例Y|N呼吸困难罕见Y |N恶心和呕吐稀有Y |N头痛在严重病例Y|N腹泻-Y| N呼吸道感染-Y| N呼吸急促-Y | NSnotty-Y| N鼻漏-Y| N图3.第三章。 代表CO V I D 领域知识的术语词典-胃肠道症状-Y| N19除了症状、治疗、流行病学、疾病病例状态和该领域的其他相关概念之外肌肉疼痛-Y| N食欲不振-Y| N PaO2kpa，范围80 -100数值值并不是所有来自NSCaT的标记都能正确表示，SaO范围：数字领域知识。因此，我们提出了一个MTDK层，嗅觉丧失95%值旨在将NSCaT中的每个令牌映射到域中我们非常依赖WordNet（WordNet）和心率强预测Y |N每分钟心跳数约88.63领域为基础的词汇模型在这项研究中，如图。3.第三章。的作用收缩压（单位：mmgH）Wordnet词典将在NSCat中生成每个测试ij所有可能的同义词。因此，这意味着每个tij索引到其同义词的子数组中。此后，我们的映射算法将每个tij与其舒张压测量值（mmgH疲劳）129.9881.69左右Y|N各自的子阵列。EX穿孔最常见的Y |N将令牌表示为COVID-19特征（RTCF）：MTDK的输出经过进一步优化，以假定标准特征分类感染性休克被认为是最严重的Y|N并按表1所列进行打字。 这意味着我们（接下页）O.N. Oyelade和A.E. 埃祖格武医学信息学解锁20（2020）1003957批评他们所有人喉咙痛任何一对Y|N中心型结节-Y| N乳腺pH氢离子7.11左右树芽Y | N网状图案-Y| N浓度温度（�C）胸膜下线状混浊-Y| N咽痛-是|N支气管扩张-Y | N胸痛/胸闷不频繁，伴有少于5%的轻度病例Y|N囊性变-Y | N淋巴结病-Y | N胸腔积液-是 |NEX/旅行腹痛-是 |N与人接触-Y| N历史（空间/位置）共病（疾病）居住在有社区分布心脑血管–Y|N–Y|N试图从MTDK的输出中提取COVID-19的已知特征，并为其赋值，如图所示。 四、Raw Features Buffer（RFB）：最后一个组件只是缓冲从先前层收集的原始特征RF缓冲消化系统-Y|N内分泌疾病-Y| N流鼻涕-Y| N恶性肿瘤-Y| N神经系统-Y|N然后将RFB中的概念转化为4.2节中描述的本体形式主义。表1中描述的特征基于最近的研究，Michelen等人[28]和Yang等人[55]讨论的COVID-19。呼吸系统疾病实验室检查中性粒细胞（10 μ g/L）白细胞（？10 μg/L）淋巴细胞（？10μl/L）血小板（�10μg/L）–Y|N––––范围125–3503.3. 基于本体的特征抽取在我们提出的CBR框架的这个阶段，我们将图2的RBF组件中缓冲的原始特征处理为本体形式主义。回想一下，所提出的框架依赖于CBR范例来推理呈现给它的案例因此，每起案件血液凝固是 仿照使用 一 支持计算推理的活性部分凝血酶时间–操作 图图4展示了由Case表示的案例的说明N. 我们假设，根据COVID-19的临床方案，凝血酶原时间D-二聚体白蛋白ALT（IU/L）AST（（IU/L）表示必须与诊断病例（疑似、确诊、推定状态）、症状（如表1所列）、流行病学（如表1所列）、放射学/实验室表现（如表1所列）、临床诊断（轻度、急性、重度）和治疗相关。（如表1所示）。NLP提取的每个COVID-19病例总胆红素（μmol/L）尿素氮（mmol/L）––如图4所示，图2中描述的流水线被形式化为该结构。 Diagnosis Case（诊断案例）实体采用1-1关系每个病例都有;然而，症状表现为1对多（1-M）肌酐（μmol/L）CK（mmol/L）LDH（U/L）关系;此外，流行病学实体允许每个病例显示一对多（1-M）关系;放射学/实验室-血清乳酸（mmol/L）–历史表现实体也以一对多（1-M）的形式呈现每个病例鉴于实验室测试和放射性手术的数量，葡萄糖（mmol/L）凝血病-Y| N然而，临床诊断允许一对一（1-1）关系，因为一个病例只能c反应蛋白(mg/升）预防相关范围0.0假设临床诊断中列出的状态之一最后，治疗-降钙素原升高至COVID的证据一个实体允许一对多（1-M），因为一个病例可能对给予它的一种或多种治疗/疗法治疗19氧气疗法抗真菌治疗Y| NY |N此外，图4中所示的每个实体由变量/fea组成。预期有价值的交易。例如，考虑到症状实体，它可以具有诸如咳嗽、发烧、胸部等变量/特征。抗病毒治疗-Y| N疼痛和其他。这些变量中的每一个都需要从EMO（气管膜式氧气发生器-Y| N特定的数据类型。因此，如图4中捕获的潜在数据类型是数字、名义、序数、日期时间和布尔（其形成糖皮质激素-Y| N抗生素治疗-Y| N最 广泛 表示 为 最 值 的 变量 在代表）。放射重症监护室（ICU）无创通气（NIV）有创机械通气（IMV）肺浸润–Y|N–Y|N–Y|N–Y|N3.4. CBR模型所提出的基于CBR的框架的所有先前阶段可以被分类为数据/输入预处理和形式化操作。然而，主要的推理任务体现在CBR引擎中，将在本节中描述。与此同时，我们将首先介绍一个简短的表1（续）表1（续）特征类别特征名称特征描述特征标定特征类别特征名称特征描述特征标定感染性休克视为最Y|N空气支气管征–Y|NO.N. Oyelade和A.E. 埃祖格武医学信息学解锁20（2020）1003958�图四、冠状病毒（COVID-19）新病例（nc）的正式表示标记（特征）。根据临床表现描述COVID-19的某些状态或临床类型[29]：轻度病例：上呼吸道症状，如咽充血、咽喉痛和短期发热或无症状感染; SARS-CoV-2 RT-PCR检测阳性;无异常X线片和脓毒性表现。中度病例：轻度肺炎;症状如发热、咳嗽、疲乏、头痛和肌痛;无与重度疾病相关的并发症和表现。重度病例：具有上述轻度或中度临床特征的病例：呼吸急促（1岁婴儿为每分钟70次呼吸;> 1岁儿童为每分钟50次呼吸）;低氧血症;意识丧失、抑郁、昏迷、惊厥;脱水、进食困难、胃肠功能障碍;心肌损伤;肝酶升高;凝血功能障碍、横纹肌溶解症和提示重要器官损伤的任何危重病例：呼吸衰竭需要机械通气，持续性低氧血症不能通过鼻导管或面罩吸入缓解;感染性休克;器官衰竭需要在ICU监测，急性呼吸窘迫综合征（ARDS）。出现ARDS的病例可能显示：i. 轻度 ARDS： 200 mmHg PaO2/FiO2 300 mmHg。<在非通气患者或通过非侵入性图五、用于检测COVID-19 的面 向NLP-本体 的时空 框架中的基于案例推理（CBR）模 型 。O.N. Oyelade和A.E. 埃祖格武医学信息学解锁20（2020）1003959�22通过使用呼气末正压（PEEP）或持续气道正压（CPAP）5cmH2O进行NIV通气。ii. 中度ARDS：100 mmHg PaO 2/FiO 2- 200 mmHg。

下载后可阅读完整内容，剩余1页未读，立即下载