Размер шрифта
Цветовая схема
Изображения
Форма
Межсимвольный интервал
Межстрочный интервал
стандартные настройки
обычная версия сайта
закрыть
  • Вход
  • Регистрация
  • Помощь
Выбрать БД
Простой поискРасширенный поискИстория поисков
ГлавнаяРезультаты поиска
СтатьяИскать документыПерейти к записи. 2022; № 4: 42–50. DOI:10.21518/2079-701X-2022-16-4-42-50
Возможности информационных систем в прогнозировании исходов новой коронавирусной инфекции COVID-19
Искать документыПерейти к записи[1,2]
Искать документыПерейти к записи[1]
Искать документыПерейти к записи[1]
Искать документыПерейти к записи[1,2]
Искать документыПерейти к записи[1,2]
Искать документыПерейти к записи[2]
Аффилированные организации
[1]Искать документыПерейти к записи
[2]Искать документыПерейти к записи
Аннотация
Пандемия коронавирусной инфекции COVID-19 (Coronavirus Disease 2019), вызванная новым штаммом коронавируса SARSCoV-2 (severe acute respiratory syndrome coronavirus 2), стала причиной быстрого роста количества заболевших и высокой смертности во всем мире. Клинические проявления COVID-19 неспецифичны, их диагностика основывается на комплексной оценке клинических, лабораторных и  рентгенологических данных. Развитие пандемии поставило перед специалистами здравоохранения новые задачи: разработать диагностические и лечебные алгоритмы, а также меры и средства профилактики. На  современном этапе большое внимание уделяется внедрению информационных систем в  медицинскую практику, а также применению технологий интеллектуального анализа данных с целью повышения качества оказываемой медицинской помощи. Отмечено, что применение искусственного интеллекта (ИИ) в медицине было связано с разработкой программ ИИ, предназначенных для усовершенствования методик постановки диагноза, подбора терапевтических решений и прогнозирования исхода болезни. Такие системы включают в  себя искусственные нейронные сети (ИНС), нечеткие экспертные системы, эволюционные вычисления и  гибридные интеллектуальные системы. В  статье проанализированы данные ряда исследований по использованию искусственного интеллекта для неспецифической диагностики COVID-19, прогнозирования риска смертности и изучения факторов риска тяжелого течения и смерти в различных группах. С использованием вычислительных алгоритмов были построены кластеры предикторов смертности на  основе медицинских данных для пациентов с  COVID-19. Используя кластеры, были разработаны модели для прогнозирования смертности и  понимания взаимосвязи различных демографических характеристик и заболеваний со смертностью от COVID-19. Также в статье обобщены ключевые факторы, ухудшающие прогноз при COVID-19. Отдельным пунктом отмечены шкалы для выявления или прогноза развития COVID-19-индуцированного «цитокинового шторма».
Ключевые слова
Искать документыПерейти к записи
Искать документыПерейти к записи
Искать документыПерейти к записи
Искать документыПерейти к записи
Искать документыПерейти к записи
Искать документыПерейти к записи
Искать документыПерейти к записи
Рубрики Mesh
Искать документыПерейти к записи
Искать документыПерейти к записи
Искать документыПерейти к записи
Искать документыПерейти к записи
Искать документыПерейти к записи
Искать документыПерейти к записи
Искать документыПерейти к записи
Искать документыПерейти к записи
Искать документыПерейти к записи
Искать документыПерейти к записи
Искать документыПерейти к записи
Искать документыПерейти к записи
Литература

Авдеев С.Н., Царева Н.А., Мержоева З.М., Трушенко Н.В., Ярошецкий А.И. Практические рекомендации по кислородотерапии и респираторной поддержке пациентов с COVID-19 на дореанимационном этапе. Пульмонология. 2020;30(2):151–163. https://doi.org/10.18093/0869-0189-2020-30-2-151-163..
DOI: 10.18093/0869-0189-2020-30-2-151-163

Авдеев С.Н., Адамян Л.В., Алексеева Е.И., Багненко С.Ф., Баранов А.А., Баранова Н.Н. и др. Временные методические рекомендации: профилактика, диагностика и лечение новой коронавирусной инфекции (COVID-19). М.; 2021. 225 с. Режим доступа: https://static-0.minzdrav.gov.ru/system/attachments/attaches/000/055/735/original/BМР_COVID-19.pdf..https://static-0.minzdrav.gov.ru/system/attachments/attaches/000/055/735/original/BМР_COVID-19.pdf.

Авдеев С.Н., Адамян Л.В., Алексеева Е.И., Багненко С.Ф., Баранов А.А., Баранова Н.Н. и др. Временные методические рекомендации: профилактика, диагностика и лечение новой коронавирусной инфекции (COVID-19). М.; 2021. 225 с. Режим доступа: https://static-0.minzdrav.gov.ru/system/attachments/attaches/000/055/735/original/BМР_COVID-19.pdf..https://static-0.minzdrav.gov.ru/system/attachments/attaches/000/055/735/original/BМР_COVID-19.pdf

Бубнова М.Г., Аронов Д.М. COVID-19 и сердечно-сосудистые заболевания: от эпидемиологии до реабилитации. Пульмонология. 2020;30(5):688–699. https://doi.org/10.18093/0869-0189-2020-30-5-688-699.
DOI: 10.18093/0869-0189-2020-30-5-688-699

Nuche J., de la Cal T.S., Guarch C.J.L., López-Medrano F., Delgado C.P.-O., Ynsaurriaga F.A. et al. Effect of coronavirus disease 2019 in pulmonary circulation. The particular scenario of precapillary pulmonary hypertension. Diagnostics (Basel). 2020;10(8):548. https://doi.org/10.3390/diagnostics10080548..
DOI: 10.3390/diagnostics10080548

Baig A.M., Khalleeq A., Ali U., Syeda H. Evidence of COVID-19 virus targeting the CNS: tissue distribution, host-virus interaction, and proposed neurotropic mechanisms. ACS Chem Neurocsi. Neurosci. 2020;11(7):995–998. https://doi.org/10.1021/acschemneuro.0c00122..
DOI: 10.1021/acschemneuro.0c00122

Livingston E., Bucher K. Coronavirus disease 2019 (COVID-19) in Italy. JAMA. 2020;323(14):1335. https://doi.org/10.1001/jama.2020.4344..
DOI: 10.1001/jama.2020.4344

Kobayashi T., Jung S.-M., Linton N.M., Kinoshita R., Hayashi K., Miyama T. et al. Communicating the risk of death from novel coronavirus disease (COVID-19). J Clin Med. 2020;9(2):580. https://doi.org/10.3390/jcm9020580..
DOI: 10.3390/jcm9020580

Zhou F., Yu T., Du R., Fan G., Liu Y., Liu Z. et al. Clinical course and risk factors for mortality of adult inpatients with COVID-19 in Wuhan, China: a retrospective cohort study. Lancet. 2020;395(10229):1054–1062. https://doi.org/10.1016/S0140-6736(20)30566-3..
DOI: 10.1016/S0140-6736(20)30566-3

Huang R., Zhu L., Xue L., Liu L., Yan X., Wang J. Clinical findings of patients with coronavirus disease 2019 in Jiangsu Province, China: a retrospective, multi-center study. PLoS Negl Trop Dis. 2020;14(5):e0008280. https://doi.org/10.1371/journal.pntd.0008280..
DOI: 10.1371/journal.pntd.0008280

Wang D., Hu B., Hu C., Zhu F., Liu X., Zhang J. et al. Clinical characteristics of 138 hospitalized patients with 2019 Novel Coronavirus Infected pneumonia in Wuhan, China. JAMA. 2020;323(11):1061–1069. https://doi.org/10.1001/jama.2020.1585..
DOI: 10.1001/jama.2020.1585

Chen T., Wu D., Chen H., Yan W., Yang D., Chen G. et al. Clinical characteristics of 113 deceased patients with сoronavirus disease 2019: retrospective study. BMJ. 2020;368:m1091. https://doi.org/10.1136/bmj.m1091..
DOI: 10.1136/bmj.m1091

Guan W.-J., Ni Z.-Y., Hu Y., Liang W.-H., Ou C.-Q., Jian-xing He J.-X. et al. Clinical Characteristics of Coronavirus Disease 2019 in China. N Engl J Med. 2020;382:1708–1720. https://doi.org/10.1056/NEJMoa2002032..
DOI: 10.1056/NEJMoa2002032

Driggin E., Madhavan M.V., Bikdeli B., Chuich T., Laracy J., Biondi-Zoccai G. et al. Cardiovascular considerations for patients, health care workers, and health systems during the COVID-19 pandemic. J Am Coll Cardiol. 2020;75(18):2352–2371. https://doi.org/10.1016/j.jacc.2020.03.031..
DOI: 10.1016/j.jacc.2020.03.031

Guo T., Fan Y., Chen M., Wu X., Zhang L., He T. et al. Cardiovascular implications of fatal outcomes of patients with coronavirus disease 2019 (COVID-19). JAMA Cardiol. 2020;5(7):811–818. https://doi.org/10.1001/jamacardio.2020.1017..
DOI: 10.1001/jamacardio.2020.1017

Wu Z., McGoogan J.M. Characteristics of and important lessons from the coronavirus disease 2019 (COVID-19) outbreak in China: summary of a report of 72 314 cases from the Chinese Center for Disease Control and Prevention. JAMA. 2020;323(13):1239–1242. https://doi.org/10.1001/jama.2020.2648..
DOI: 10.1001/jama.2020.2648

Wu Z., McGoogan J.M. Characteristics of and important lessons from the coronavirus disease 2019 (COVID-19) outbreak in China: summary of a report of 72 314 cases from the Chinese Center for Disease Control and Prevention. JAMA. 2020;323(13):1239–1242. https://doi.org/10.1001/jama.2020.2648..
DOI: 10.1001/ jama.2020.2648

Wu J.T., Leung K., Bushman M., Kishore N., Niehus R., de Salazar P.M. et al. Estimating clinical severity of COVID-19 from the transmission dynamics in Wuhan, China. Nat Med. 2020;26(4):506–510. https://doi.org/10.1038/s41591-020-0822-7..
DOI: 10.1038/s41591-020-0822-7

Wu J.T., Leung K., Bushman M., Kishore N., Niehus R., de Salazar P.M. et al. Estimating clinical severity of COVID-19 from the transmission dynamics in Wuhan, China. Nat Med. 2020;26(4):506–510. https://doi.org/10.1038/s41591-020-0822-7..
DOI: 10.1038/ s41591-020-0822-7

Guan W.-J., Ni Z.-Y., Hu Y., Liang W.-H., Ou C.-Q., He J.-X. et al. Clinical characteristics of coronavirus disease 2019 in China. N Engl J Med. 2020;382(18):1708–1720. https://doi.org/10.1056/NEJMoa2002032..
DOI: 10.1056/NEJMoa2002032

Li L.-Q., Huang T., Wang Y.-Q., Wang Z.-P., Liang Y., Huang T.-B. et al. COVID-19 patients’ clinical characteristics, discharge rate, and fatality rate of meta-analysis. J Med Virol. 2020;92(6):577–583. https://doi.org/10.1002/jmv.25757..
DOI: 10.1002/jmv.25757

Huang C., Wang Y., Li X., Ren L., Zhao J., Hu Y. Clinical features of patients infected with 2019 novel coronavirus in Wuhan, China. Lancet. 2020;395(10223):497–506. https://doi.org/10.1016/S0140-6736(20)30183-5..
DOI: 10.1016/S0140-6736(20)30183-5

Pan L., Mu M., Yang P., Sun Y., Wang R., Yan J. et al. Clinical characteristics of COVID-19 patients with digestive symptoms in Hubei, China: a descriptive, cross-sectional, multicenter study. Am J Gastroenterol. 2020;115(5):766–773. https://doi.org/10.14309/ajg.0000000000000620..
DOI: 10.14309/ajg.0000000000000620

Hussain A., Mahawar K., Xia Z., Yang W., Shamsi E.H. Obesity and mortality of COVID-19. Meta-analysis. Obes Res Clin Pract. 2020;14(4):295–300. https://doi.org/10.1016/j.orcp.2020.07.002..
DOI: 10.1016/j.orcp.2020.07.002

Zheng Z., Peng F., Xu B., Zhao J., Liu H., Peng J. et al. Risk factors of critical & mortal COVID-19 cases: A systematic literature review and meta-analysis. J Infect. 2020;81(2):e16–e25. https://doi.org/10.1016/j.jinf.2020.04.021..
DOI: 10.1016/j.jinf.2020.04.021

Pan F., Yang L., Li Y., Liang B., Li L., Ye T. et al. Factors associated with death outcome in patients with severe coronavirus disease-19 (COVID-19): a case-control study. Int J Med Sci. 2020;17(9):1281–1292. https://doi.org/10.7150/ijms.46614..
DOI: 10.7150/ijms.46614

Wang B., Li R., Lu Z., Huang Y. Does comorbidity increase the risk of patients with COVID-19: evidence from meta-analysis. Aging (Albany NY). 2020;12(7):6049–6057. https://doi.org/10.18632/aging.103000..
DOI: 10.18632/aging.103000

Wu C., Chen X., Cai Y., Xia J., Zhou X., Xu S. et al. Risk factors associated with acute respiratory distress syndrome and death in patients with coronavirus disease 2019 pneumonia in Wuhan, China. JAMA Intern Med. 2020;180(7):934–943. https://doi.org/10.1001/jamainternmed.2020.0994..
DOI: 10.1001/jamainternmed.2020.0994

Chan W.F.-W., Yuan S., Kok K., To K.K.-W., Chu H., Yang J. et al. A familial cluster of pneumonia associated with the 2019 novel coronavirus indicating person-to-person transmission: a study of a family cluster. Lancet. 2020;395(10223):514–523. https://doi.org/10.1016/S0140-6736(20)30154-9..
DOI: 10.1016/S0140-6736(20)30154-9

Гусев А.В. Перспективы нейронных сетей и глубокого машинного обучения в создании решений для здравоохранения. Врач и информационные технологии. 2017;(3):92–105. Режим доступа: https://www.elibrary.ru/item.asp?id=30021267&.https://www.elibrary.ru/item.asp?id=30021267&

Гусев А.В. Перспективы нейронных сетей и глубокого машинного обучения в создании решений для здравоохранения. Врач и информационные технологии. 2017;(3):92–105. Режим доступа: https://www.elibrary.ru/item.asp?id=30021267&.https://www.elibrary.ru/item.asp?id=30021267&

Oikonomou E.K., Williams M.C., Kotanidis C.P., Desai M.Y., Marwan M., Antonopoulos A.S. et al. A novel machine learning-derived radio transcriptomicsignature of perivascular fat improves cardiac risk prediction using coronary CT angiography. Eur Heart J. 2019;40(43):3529–3543. https://doi.org/10.1093/eurheartj/ehz592..
DOI: 10.1093/eurheartj/ehz592

Barrett L.A., Payrovnaziri S.N., Bian J., He Z. Building Computational Models to Predict One-Year Mortality in ICU Patients with Acute Myocardial Infarction and Post Myocardial Infarction Syndrome. AMIA Jt Summits Transl Sci Proc. 2019;2019:407–416. Available at: https://pubmed.ncbi.nlm.nih.gov/31258994.https://pubmed.ncbi.nlm.nih.gov/31258994

Barrett L.A., Payrovnaziri S.N., Bian J., He Z. Building Computational Models to Predict One-Year Mortality in ICU Patients with Acute Myocardial Infarction and Post Myocardial Infarction Syndrome. AMIA Jt Summits Transl Sci Proc. 2019;2019:407–416. Available at: https://pubmed.ncbi.nlm.nih.gov/31258994.https://pubmed

Морозов С.П., Владзимирский А.В., Гомболевский В.А., Кузьмина Е.С., Ледихова Н.В. Искусственный интеллект: автоматизированный анализ текста на естественном языке для аудита радиологических исследований. Вестник рентгенологии и радиологии. 2018;99(5):253–258. https://doi.org/10.20862/0042-4676-2018-99-5-253-258..
DOI: 10.20862/0042-4676-2018-99-5-253-258

Морозов С.П., Владзимирский А.В., Гомболевский В.А., Кузьмина Е.С., Ледихова Н.В. Искусственный интеллект: автоматизированный анализ текста на естественном языке для аудита радиологических исследований. Вестник рентгенологии и радиологии. 2018;99(5):253–258. https://doi.org/10.20862/0042-4676-2018-99-5-253-258..
DOI: 10.20862/0042-4676-2018- 99-5-253-258

Гусев А.В., Гаврилов Д.В., Корсаков И.Н., Серова Л.М., Новицкий Р.Э., Кузнецова Т.Ю. Перспективы использования методов машинного обучения для предсказания сердечно-сосудистых заболеваний. Врач и информационные технологии. 2019;(3):41–47. Режим доступа: https://elibrary.ru/item.asp?id=41132707&.https://elibrary.ru/item.asp?id=41132707&

Гусев А.В., Гаврилов Д.В., Корсаков И.Н., Серова Л.М., Новицкий Р.Э., Кузнецова Т.Ю. Перспективы использования методов машинного обучения для предсказания сердечно-сосудистых заболеваний. Врач и информационные технологии. 2019;(3):41–47. Режим доступа: https://elibrary.ru/item.asp?id=41132707&.https://elibrary.ru/item

Assaf D., Gutman Y., Neuman Y., Segal G., Amit S., Gefen-Halevi S. et al. Utilization of machine-learning models to accurately predict the risk for critical COVID-19. Intern Emerg Med. 2020;15(8):1435–1443. https://doi.org/10.1007/s11739-020-02475-0..
DOI: 10.1007/s11739-020-02475-0

Islam M.M., Poly T.N., Alsinglawi B., Lin M.C., Hsu M.-H., Li Y.-C.J. A State-ofthe-Art Survey on Artificial Intelligence to Fight COVID-19. J Clin Med. 2021;10(9):1961. https://doi.org/10.3390/jcm10091961..
DOI: 10.3390/jcm10091961

Zhu J., Shen B., Abbasi A., Hoshmand-Kochi M., Li H., Duong T.Q. Deep transfer learning artificial intelligence accurately stages COVID-19 lung disease severity on portable chest radiographs. PLoS One. 2020;15(7):e0236621. https://doi.org/10.1371/journal.pone.0236621..
DOI: 10.1371/journal.pone.0236621

Shan F., Gao Y., Wang J., Shi W., Shi N., Han M. et al. Abnormal lung quantification in chest CT images of COVID-19 patients with deep learning and its application to severity prediction. Med Phys. 2021;48(4):1633–1645. https://doi.org/10.1002/mp.14609..
DOI: 10.1002/mp.14609

Ko H., Chung H., Kang W.S., Kim K.W., Shin Y., Kang S.J. et al. COVID-19 pneumonia diagnosis using a simple 2D deep learning framework with a single chest CT image: Model development and validation. J Med Internet Res. 2020;22(6):e19569. https://doi.org/10.2196/19569..
DOI: 10.2196/19569

Yao H., Zhang N., Zhang R., Duan M., Xie T., Pan J. et al. Severity detection for the coronavirus disease 2019 (COVID-19) patients using a machine learning model based on the blood and urine tests. Front Cell Dev Biol. 2020;8:683. https://doi.org/10.3389/fcell.2020.00683..
DOI: 10.3389/fcell.2020.00683

Brinati D., Campagner A., Ferrari D., Locatelli M., Banfi G., Cabitza F. Detection of COVID-19 infection from routine blood exams with machine learning: A feasibility study. J Med Syst. 2020;44(8):135. https://doi.org/10.1007/s10916-020-01597-4..
DOI: 10.1007/s10916-020-01597-4

Liang W., Yao J., Chen A., Lv Q., Zanin M., Liu J. et al. Early triage of critically ill COVID-19 patients using deep learning. Nat Commun. 2020;11(1):1–7. https://doi.org/10.1038/s41467-020-17280-8..
DOI: 10.1038/s41467-020-17280-8

An C., Lim H., Kim D.-W., Chang J.H., Choi Y.J., Kim S.W. Machine learning prediction for mortality of patients diagnosed with COVID-19: A nationwide Korean cohort study. Sci Rep. 2020;10(1):18716. https://doi.org/10.1038/s41598-020-75767-2..
DOI: 10.1038/s41598-020-75767-2

Li Y., Horowitz M.A., Liu J., Chew A., Lan H., Liu Q. et al. Individual-level fatality prediction of COVID-19 patients using AI methods. Front Public Health. 2020;8:587937. https://doi.org/10.3389/fpubh.2020.587937..
DOI: 10.3389/fpubh.2020.587937

Vaid A., Somani S., Russak A.J., De Freitas J.K., Chaudhry F.F., Paranjpe I. et al. Machine learning to predict mortality and critical events in a cohort of patients with COVID-19 in New York City: Model development and validation. J Med Internet Res. 2020;22(11):e24018. https://doi.org/10.2196/24018..
DOI: 10.2196/24018

Mohammad-Rahimi H., Nadimi M., Ghalyanchi-Langeroudi A., Taheri M., Ghafouri-Fard S. Application of Machine Learning in Diagnosis of COVID-19 Through X-Ray and CT Images: A Scoping Review. Front Cardiovasc Med. 2021;8:638011. https://doi.org/10.3389/fcvm.2021.638011..
DOI: 10.3389/fcvm.2021.638011

Chen J., Wu L., Zhang J., Zhang L., Gong D., Zhao Yu. et al. Deep learningbased model for detecting 2019 novel coronavirus pneumonia on high-resolution computed tomography. Sci Rep. 2020:10(1):19196. https://doi.org/10.1101/2020.02.25.20021568..
DOI: 10.1101/2020.02.25.20021568

Fu M., Yi S.-L., Zeng Y., Ye F., Li Y., Dong X. et al. Deep learning-based recognizing COVID-19 and other common infectious diseases of the lung by chest CT scan images. medRxiv. 2020. https://doi.org/10.1101/2020.03.28.20046045..
DOI: 10.1101/2020.03.28.20046045

Fu M., Yi S.-L., Zeng Y., Ye F., Li Y., Dong X. et al. Deep learning-based recognizing COVID-19 and other common infectious diseases of the lung by chest CT scan images. medRxiv. 2020. https://doi.org/10.1101/2020.03.28.20046045..
DOI: 10.1101/2020.03.28.2 0046045

Bullock J., Luccioni A., Pham K.H., Lam C.S.N., Luengo-Oroz M. Mapping the Landscape of Artificial Intelligence Applications against COVID-19. Journal of Artificial Intelligence Research. 2020;69:807–845. https://doi.org/10.1613/jair.1.12162..
DOI: 10.1613/jair.1.12162

Ying S., Zheng S., Li L., Zhang X., Zhang X., Huang Z. et al. Deep learning enables accurate diagnosis of novel coronavirus (COVID-19) with CT images. IEEE/ACM Trans Comput Biol Bioinform. 2021;14(8):2775–2780. https://doi.org/10.1109/TCBB.2021.3065361..
DOI: 10.1109/TCBB.2021.3065361

Shakouri S., Bakhshali M.A., Layegh P., Kiani B., Masoumi F., Nakhaei S.A., Mostafavi S.M. COVID19-CT-dataset: an open-access chest CT image repository of 1000+ patients with confirmed COVID-19 diagnosis. BMC Res Notes. 2021;14(1):178. https://doi.org/10.1186/s13104-021-05592-x..
DOI: 10.1186/s13104-021-05592-x

Wang X., Deng X., Fu Q., Zhou Q., Feng J., Ma H. et al. A Weakly-Supervised Framework for COVID-19 Classification and Lesion Localization From Chest CT. IEEE Trans Med Imaging. 2020;39(8):2615–2625. https://doi.org/10.1109/TMI.2020.2995965..
DOI: 10.1109/TMI.2020.2995965

Zhou M., Yang D., Chen Y., Xu Y., Xu J.-F., Jie Z. et al. Deep learning for differentiating novel coronavirus pneumonia and influenza pneumonia. Ann Transl Med. 2021;9(2):111. https://doi.org/10.21037/atm-20-5328..
DOI: 10.21037/atm-20-5328

Bukhari S.U.K., Bukhari S.S.K., Syed A., Shah S.S.H. The diagnostic evaluation of convolutional neural network (CNN) for the assessment of chest X-ray of patients infected with COVID-19. medRxiv. 2020. https://doi.org/1 0.1101/2020.03.26.20044610..
DOI: 1 0.1101/2020.03.26.20044610

Khadidos A., Khadidos A.O., Kannan S., Natarajan Y., Mohanty S.N., Tsaramirsis G. Analysis of COVID-19 Infections on a CT Image Using DeepSense Model. Front Public Health. 2020;8:599550. https://doi.org/10.3389/fpubh.2020.599550..
DOI: 10.3389/fpubh.2020.599550

Narin A., Kaya C., Pamuk Z. Automatic detection of coronavirus disease (COVID-19) using X-ray images and deep convolutional neural networks. Pattern Anal Appl. 2021;24(3):1207–1220. https://doi.org/10.1007/s10044-021-00984-y..
DOI: 10.1007/s10044-021-00984-y

Narin A., Kaya C., Pamuk Z. Automatic detection of coronavirus disease (COVID-19) using X-ray images and deep convolutional neural networks. Pattern Anal Appl. 2021;24(3):1207–1220. https://doi.org/10.1007/s10044-021-00984-y..
DOI: 10.1007/s10044- 021-00984-y

Wang L., Lin Z.Q., 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. https://doi.org/10.1038/s41598-020-76550-z..
DOI: 10.1038/s41598-020-76550-z

Wang L., Lin Z.Q., 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. https://doi.org/10.1038/s41598-020-76550-z..
DOI: 10.1038/s41598-020- 76550-z

Makris A., Kontopoulos I., Tserpes K. COVID-19 detection from chest X-Ray images using Deep Learning and Convolutional Neural Networks. medRxiv. 2020. https://doi.org/10.1101/2020.05.22.20110817..
DOI: 10.1101/2020.05.22.20110817

Jin C., Chen W., Cao Y., Xu Z., Tan Z., Zhang X. et al. Development and evaluation of an artificial intelligence system for COVID-19 diagnosis. Nat Commun. 2020;11(1):5088. https://doi.org/10.1038/s41467-020-18685-1..
DOI: 10.1038/s41467-020-18685-1

Feng C., Wang L., Chen X., Zhai Y., Zhu F., Chen H. et al. A novel artificial intelligence-assisted triage tool to aid in the diagnosis of suspected COVID-19 pneumonia cases in fever clinics. Ann Transl Med. 2021;9(3):201. https://doi.org/10.21037/atm-20-3073..
DOI: 10.21037/atm-20-3073

Lopez-Rincon A., Tonda A., Mendoza-Maldonado L., Mulders D.G.J.C., Molenkamp R., Perez-Romero C.A. et al. Classification and specific primer design for accurate detection of SARS-CoV-2 using deep learning. Sci Rep. 2021;11(1):947. https://doi.org/10.1038/s41598-020-80363-5..
DOI: 10.1038/s41598-020-80363-5

Wang Y., Hu M., Zhou Yu., Li Q., Yao N., Zhai G. et al. Unobtrusive and Automatic Classification of Multiple People’s Abnormal Respiratory Patterns in Real Time Using Deep Neural Network and Depth Camera. IEEE Internet of Things Journal. 2020;7(9):8559–8571. https://doi.org/10.1109/JIOT.2020.2991456..
DOI: 10.1109/JIOT.2020.2991456

Li Y., Xia L. Coronavirus Disease 2019 (COVID-19): Role of Chest CT in Diagnosis and Management. AJR Am J Roentgenol. 2020;214(6):1280–1286. https://doi.org/10.2214/AJR.20.22954..
DOI: 10.2214/AJR.20.22954

Reza S., Amin O.B., Hashem M.M.A. TransResUNet: Improving U-Net Architecture for Robust Lungs Segmentation in Chest X-rays. IEEE Region 10 Symposium (TENSYMP). 2020;1592–1595. https://doi.org/10.1109/TENSYMP50017.2020.9230835..
DOI: 10.1109/TENSYMP50017.2020.9230835

Wang S., Zha Y., Li W., Wu Q., Li X., Niu M. et al. A fully automatic deep learning system for COVID-19 diagnostic and prognostic analysis. Eur Respir J. 2020;56(2):2000775. https://doi.org/10.1183/13993003.00775-2020..
DOI: 10.1183/13993003.00775-2020

Fang C., Bai S., Chen Q., Zhou Y., Xia L., Qin L. et al. Deep learning for predicting COVID-19 malignant progression. Med Image Anal. 2021;72:102096. https://doi.org/10.1016/j.media.2021.102096..
DOI: 10.1016/j.media.2021.102096

DeCaprio D., Gartner J., McCall C.J., Burgess T., Kothari S., Sayed S. Building a COVID-19 vulnerability index. J Med Artif Intell. 2020;3:15. https://doi.org/10.21037/jmai-20-47..
DOI: 10.21037/jmai-20-47

Pourhomayoun M., Shakibi M. Predicting mortality risk in patients with COVID-19 using machine learning to help medical decision-making. Smart Health (Amst). 2021;20:100178. https://doi.org/10.1016/j.smhl.2020.100178..
DOI: 10.1016/j.smhl.2020.100178

Pourhomayoun M., Shakibi M. Predicting mortality risk in patients with COVID-19 using machine learning to help medical decision-making. Smart Health (Amst). 2021;20:100178. https://doi.org/10.1016/j.smhl.2020.100178..
DOI: 10.1016/j. smhl.2020.100178

Cheng F.-Y., Joshi H., Tandon P., Freeman R., Reich D.L., Mazumdar M. et al. Using Machine Learning to Predict ICU Transfer in Hospitalized COVID-19 Patients. J Clin Med. 2020;9(6):1668. https://doi.org/10.3390/jcm9061668..
DOI: 10.3390/jcm9061668

Schiaffino S., Codari M., Cozzi A., Albano D., Alì M., Arioli R. et al. Machine Learning to Predict In-Hospital Mortality in COVID-19 Patients Using Computed Tomography-Derived Pulmonary and Vascular Features. J Pers Med. 2021;11(6):501. https://doi.org/10.3390/jpm11060501..
DOI: 10.3390/jpm11060501

Yue H., Yu Q., Liu C., Huang Y., Jiang Z., Shao C. et al. Machine learningbased CT radiomics method for predicting hospital stay in patients with pneumonia associated with SARS-CoV-2 infection: a multicenter study. Ann Transl Med. 2020;8(14):859. https://doi.org/10.21037/atm-20-3026..
DOI: 10.21037/atm-20-3026

Chung H., Ko H., Kang W.S., Kim K.W., Lee H., Park C. et al. Prediction and Feature Importance Analysis for Severity of COVID-19 in South Korea Using Artificial Intelligence: Model Development and Validation. J Med Internet Res. 2021;23(4):e27060. https://doi.org/10.2196/27060..
DOI: 10.2196/27060

Jiang X., Coffee M., Bari A., Wang J., Jiang X., Huang J. et al. Towards an artificial intelligence framework for data-driven prediction of coronavirus clinical severity. Computers, Materials and Continua. 2020;63(1):537–551. https://doi.org/10.32604/cmc.2020.010691..
DOI: 10.32604/cmc.2020.010691

Menni C., Valdes A.M., Freidin M.B., Sudre C.H., Nguyen L.H., Drew D.A. et al. Real-time tracking of self-reported symptoms to predict potential COVID-19. Nat Med. 2020;26(7):1037–1040. https://doi.org/10.1038/s41591-020-0916-2..
DOI: 10.1038/s41591-020-0916-2

Menni C., Valdes A.M., Freidin M.B., Sudre C.H., Nguyen L.H., Drew D.A. et al. Real-time tracking of self-reported symptoms to predict potential COVID-19. Nat Med. 2020;26(7):1037–1040. https://doi.org/10.1038/s41591-020-0916-2..
DOI: 10.1038/ s41591-020-0916-2

Brinati D., Campagner A., Ferrari D., Locatelli M., Banfi G., Cabitza F. Detection of COVID-19 Infection from Routine Blood Exams with Machine Learning: A Feasibility Study. J Med Syst. 2020;44(8):135. https://doi.org/10.1007/s10916-020-01597-4..
DOI: 10.1007/s10916-020-01597-4

Gao Y., Li T., Han M., Li X., Wu D., Xu Y. et al. Diagnostic utility of clinical laboratory data determinations for patients with the severe COVID-19. J Med Virol. 2020;92(7):791–796. https://doi.org/10.1002/jmv.25770..
DOI: 10.1002/jmv.25770

Al-Najjar H., Al-Rousan N. A classifier prediction model to predict the status of Coronavirus CoVID-19 patients in South Korea. Eur Rev Med Pharmacol Sci. 2020;24(6):3400–3403. https://doi.org/10.26355/eurrev_202003_20709..
DOI: 10.26355/eurrev_202003_20709

Das A.K., Mishra S., Gopalan S.S. Predicting CoVID-19 community mortality risk using machine learning and development of an online prognostic tool. Peer J. 2020;8:e10083. https://doi.org/10.7717/peerj.10083..
DOI: 10.7717/peerj.10083

Yan L., Zhang H.-T., Goncalves J., Xiao Y., Wang M., Guo Y. et al. An interpretable mortality prediction model for COVID-19 patients. Nat Mach Intell. 2020;2:283–288. https://doi.org/10.1038/s42256-020-0180-7..
DOI: 10.1038/s42256-020-0180-7

Wynants L., Calster B.V., Collins G.S., Riley R.D., Heinze G., Schuit E. et al. Prediction models for diagnosis and prognosis of covid-19 infection: systematic review and critical appraisal. BMJ. 2020;369:m1328. https://doi.org/10.1136/bmj.m1328..
DOI: 10.1136/bmj.m1328

Цветков В.В., Токин И.И., Лиознов Д.А., Венев Е.В., Куликов А.Н. Прогнозирование длительности стационарного лечения пациентов с COVID-19. Медицинский совет. 2020;(17):82–90. https://doi.org/10.21518/2079-701X-2020-17-82-90..
DOI: 10.21518/2079-701X-2020-17-82-90

Цветков В.В., Токин И.И., Лиознов Д.А., Венев Е.В., Куликов А.Н. Прогнозирование длительности стационарного лечения пациентов с COVID-19. Медицинский совет. 2020;(17):82–90. https://doi.org/10.21518/2079-701X-2020-17-82-90..
DOI: 10.21518/2079- 701X-2020-17-82-90

Bertsimas D., Lukin G., Mingardi L., Nohadani O., Orfanoudaki A., Stellato B. et al. COVID-19 mortality risk assessment: An international multi-center study. PLoS One. 2020;15(12):e0243262. https://doi.org/10.1371/journal. pone.0243262..
DOI: 10.1371/journal. pone.0243262

Yuan M., Yin W., Tao Z., Tan W., Hu Y. Association of radiologic findings with mortality of patients infected with 2019 novel coronavirus in Wuhan, China. PLoS ONE. 2020;15(3):e0230548. https://doi.org/10.1371/journal.pone.0230548..
DOI: 10.1371/journal.pone.0230548

Yuan M., Yin W., Tao Z., Tan W., Hu Y. Association of radiologic findings with mortality of patients infected with 2019 novel coronavirus in Wuhan, China. PLoS ONE. 2020;15(3):e0230548. https://doi.org/10.1371/journal.pone.0230548..
DOI: 10.1371/journal. pone.0230548

Colombi D., Bodini F.C., Petrini M., Maffi G., Morelli N., Milanese G. et al. Well-aerated lung on admitting chest CT to predict adverse outcome in COVID-19 pneumonia. Radiology. 2020;296(2):E86–E96. https://doi.org/10.1148/radiol.2020201433..
DOI: 10.1148/radiol.2020201433

Gong J., Ou J., Qiu X., Jie Y., Chen Y., Yuan L. et al. A Tool for Early Prediction of Severe Coronavirus Disease 2019 (COVID-19): A Multicenter Study Using the Risk Nomogram in Wuhan and Guangdong, China. Clin Infect Dis. 2020;71(15):833–840. https://doi.org/10.1093/cid/ciaa443..
DOI: 10.1093/cid/ciaa443

Gong J., Ou J., Qiu X., Jie Y., Chen Y., Yuan L. et al. A Tool for Early Prediction of Severe Coronavirus Disease 2019 (COVID-19): A Multicenter Study Using the Risk Nomogram in Wuhan and Guangdong, China. Clin Infect Dis. 2020;71(15):833–840. https://doi.org/10.1093/cid/ciaa443..
DOI: 10.1093/cid/ciaa443

Estiri H., Strasser Z.H., Klann J.G., Naseri P., Wagholikar K.B., Murphy S.N. Predicting COVID-19 mortality with electronic medical records. NPJ Digit Med. 2021;4(1):15. https://doi.org/10.1038/s41746-021-00383-x..
DOI: 10.1038/s41746-021-00383-x

Estiri H., Strasser Z.H., Klann J.G., McCoy T.H. Jr., Wagholikar K.B., Vasey S. et al. Transitive Sequencing Medical Records for Mining Predictive and Interpretable Temporal Representations. Patterns (N Y). 2020;1(4):100051. https://doi.org/10.1016/j.patter.2020.100051..
DOI: 10.1016/j.patter.2020.100051

Ji D., Zhang D., Xu J., Chen Z., Yang T., Zhao P. et al. Prediction for Progression Risk in Patients With COVID-19 Pneumonia: The CALL Score. Clin Infect Dis. 2020;71(6):1393–1399. https://doi.org/10.1093/cid/ciaa414..
DOI: 10.1093/cid/ciaa414

Ji D., Zhang D., Xu J., Chen Z., Yang T., Zhao P. et al. Prediction for Progression Risk in Patients With COVID-19 Pneumonia: The CALL Score. Clin Infect Dis. 2020;71(6):1393–1399. https://doi.org/10.1093/cid/ciaa414..
DOI: 10.1093/ cid/ciaa414

Bender B.S., Croghan T., Zhang L., Small P.A. Jr. Transgenic mice lacking class I major histocompatibility complex-restricted T cells have delayed viral clearance and increased mortality after influenza virus challenge. J Exp Med. 1992;175(4):1143–1145. https://doi.org/10.1084/ jem.175.4.1143..
DOI: 10.1084/ jem.175.4.1143

Das D., Le Floch H., Houhou N., Epelboin L., Hausfater P., Khalil A. et al. Viruses detected by systematic multiplex polymerase chain reaction in adults with suspected community-acquired pneumonia attending emergency departments in France. Clin Microbiol Infect. 2015;21(6):608.e1–608.e8. https://doi.org/10.1016/j.cmi.2015.02.014..
DOI: 10.1016/j.cmi.2015.02.014

Nüssing S., Sant S., Koutsakos M., Subbarao K., Nguyen T.H.O., Kedzierska K. Innate and adaptive T-cells in influenza disease. Front Med. 2018;12(1):34–47. https://doi.org/10.1007/s11684-017-0606-8..
DOI: 10.1007/s11684-017-0606-8

Gao H.-N., Lu H.-Z., Cao B., Du B., Shang H., Gan J.-H. et al. Clinical findings in 111 cases of influenza A (H7N9) virus infection. N Engl J Med. 2013;368(24):2277–2285. https://doi.org/10.1056/NEJMoa1305584..
DOI: 10.1056/NEJMoa1305584

Li H., Cao B. Pandemic and Avian Influenza A Viruses in Humans: Epidemiology, Virology, Clinical Characteristics, and Treatment Strategy. Clin Chest Med. 2017;38(1):59–70. https://doi.org/10.1016/j.ccm.2016.11.005..
DOI: 10.1016/j.ccm.2016.11.005

Li H., Cao B. Pandemic and Avian Influenza A Viruses in Humans: Epidemiology, Virology, Clinical Characteristics, and Treatment Strategy. Clin Chest Med. 2017;38(1):59–70. https://doi.org/10.1016/j.ccm.2016.11.005..
DOI: 10.1016/j. ccm.2016.11.005

Li W., Moltedo B., Moran T.M. Type I interferon induction during influenza virus infection increases susceptibility to secondary Streptococcus pneumoniae infection by negative regulation of γδ T cells. J Virol. 2012;86(22):12304–12312. https://doi.org/10.1128/JVI.01269-12..
DOI: 10.1128/JVI.01269-12

Guo L., Wei D., Zhang X., Wu Y., Li Q., Zhou M., Qu J. Clinical Features Predicting Mortality Risk in Patients with Viral Pneumonia: The MuLBSTA Score. Front Microbiol. 2019;10:2752. https://doi.org/10.3389/fmicb.2019.02752..
DOI: 10.3389/fmicb.2019.02752

Guo L., Wei D., Zhang X., Wu Y., Li Q., Zhou M., Qu J. Clinical Features Predicting Mortality Risk in Patients with Viral Pneumonia: The MuLBSTA Score. Front Microbiol. 2019;10:2752. https://doi.org/10.3389/fmicb.2019.02752..
DOI: 10.3389/ fmicb.2019.02752

Jennings L.C., Anderson T.P., Beynon K.A., Chua A., Laing R.T.R., Werno A.M. et al. Incidence and characteristics of viral community-acquired pneumonia in adults. Thorax. 2008;63(1):42–48. https://doi.org/10.1136/ thx.2006.075077..
DOI: 10.1136/ thx.2006.075077

Henderson L.A., Canna S.W., Schulert G.S., Volpi S., Lee P.Y., Kernan K.F. et al. On the Alert for Cytokine Storm: Immunopathology in COVID-19. Arthritis Rheumatol. 2020;72(7):1059–1063. https://doi.org/10.1002/art.41285..
DOI: 10.1002/art.41285

Henderson L.A., Canna S.W., Schulert G.S., Volpi S., Lee P.Y., Kernan K.F. et al. On the Alert for Cytokine Storm: Immunopathology in COVID-19. Arthritis Rheumatol. 2020;72(7):1059–1063. https://doi.org/10.1002/art.41285..
DOI: 10.1002/ art.41285

La Rosee P., Horne A., Hines M., Greenwood T.B., Machowicz R., Berliner N. et al. Recommendations for the management of hemophagocytic lymphohistiocytosis in adults. Blood. 2019;133(23):2465–2477. https://doi.org/10.1182/blood.2018894618..
DOI: 10.1182/blood.2018894618

Fardet L., Galicier L., Lambotte O., Marzac C., Aumont C., Chahwan D. et al. Development and validation of the HScore, a score for the diagnosis of reactive hemophagocytic syndrome. Arthritis Rheumatol. 2014;66(9):2613–2620. https://doi.org/10.1002/art.38690..
DOI: 10.1002/art.38690

Алексеева Е.И., Тепаев Р.Ф., Шилькрот И.Ю., Дворяковская Т.М., Сурков А.Г., Криулин И.А. COVID-19-ассоциированный вторичный гемофагоцитарный лимфогистиоцитоз (синдром «цитокинового шторма»). Вестник Российской академии медицинских наук. 2021;76(1):51–66. https://doi.org/10.15690/vramn1410..
DOI: 10.15690/vramn1410

Дополнительная информация
Язык текста: Русский
ISSN: 2079-701X
Унифицированный идентификатор ресурса для цитирования: //medj.rucml.ru/journal/4e432d4d4544534f5645542d41525449434c452d323032322d302d342d302d34322d3530/