Evaluation of informational diagnostic criteria and severity biomarkers using a discrimination model in patients with COVID-19

W niniejszym artykule przeanalizowano cechy wirusowych zapaleń płuc, które w przyszłości mogą być wywoływane przez wysoce zjadliwe wirusy (HPCoV) (SARS-CoV-2, MERS-CoV, SARS-CoV), H5N1, H5N7 oraz wirusa grypy A(H1N1)pdm. Szybko postępujące wirusowe zapalenie płuc, które rozwija się w przebiegu tych chorób, może prowadzić do śmiertelnego powikłania – zespołu ostrej niewydolności oddechowej (ARDS). Potwierdzenie lub wykluczenie diagnozy ARDS jest obecnie trudnym zadaniem, wymagającym opracowania i udoskonalenia metod diagnostycznych. W celu porównania skuteczności diagnostycznej metod rozważono możliwość zastosowania kryteriów i parametrycznych modeli rozpoznawczych. Model dyskryminacyjny zbudowano w oparciu o kwadratową znormalizowaną odległość euklidesową między wektorami średnich wartości stanów wielkości. Perspektywą pracy jest udoskonalenie metod oceny kryteriów diagnostycznych i biomarkerów ciężkości choroby przy użyciu modelu dyskryminacyjnego zbudowanego w oparciu o kwadratową znormalizowaną odległość euklidesową, co pozwoli na poprawę wykrywalności ARDS – śmiertelnego powikłania zakażeń układu oddechowego wywołanych przez wysoce zjadliwe wirusy.

Słowa kluczowe:

ARDS, wirusowe zapalenie płuc, COVID-19, biomarkery, zdrowie ludzkie, diagnostyka medyczna

Cele Zrównoważonego Rozwoju (SDG)

Dobre zdrowie i jakość życia
Partnerstwa na rzecz celów

Bibliografia

[1] Agrawal, A., Matthay, M. A., Kangelaris, K. N., Stein, J., Chu, J. C., Imp, B. M., Cortez, A., Abbott, J., Liu, K. D., & Calfee, C. S. (2013). Plasma Angiopoietin-2 Predicts the Onset of Acute Lung Injury in Critically Ill Patients. American Journal of Respiratory and Critical Care Medicine, 187(7), 736–742. https://doi.org/10.1164/rccm.201208-1460OC

[2] Avrunin, G. (2017). Principles of computer planning in the functional nasal surgery. Przegląd Elektrotechniczny, 1(3), 142–145. https://doi.org/10.15199/48.2017.03.32

[3] Avrunin, O. G., Nosova, Y. V., Abdelhamid, I. Y., Pavlov, S. V., Shushliapina, N. O., Wójcik, W., Kisała, P., & Kalizhanova, A. (2021). Possibilities of Automated Diagnostics of Odontogenic Sinusitis According to the Computer Tomography Data. Sensors, 21(4), 1198. https://doi.org/10.3390/s21041198

[4] Beliy, A. N., Krasnoselskiy, М. V., Mitryaeva, N. A., Grebenik, L. V., & Radchenko, A. A. (2016). The clinical significance of vegf in the serum of patients with secondary edematous breast cancer. Ukrainian Journal of Radiology, XXIV(4), 24–28.

[5] Busi Rizzi, E., Schininà, V., Ferraro, F., Rovighi, L., Cristoforo, M., Chiappetta, D., Lisena, F., Lauria, F., & Bibbolino, C. (2010). Radiological findings of pneumonia in patients with swine-origin influenza A virus (H1N1). La Radiologia Medica, 115(4), 507–515. https://doi.org/10.1007/s11547-010-0553-9

[6] Davey, A., McAuley, D. F., & O’Kane, C. M. (2011). Matrix metalloproteinases in acute lung injury: Mediators of injury and drivers of repair. European Respiratory Journal, 38(4), 959–970. https://doi.org/10.1183/09031936.00032111

[7] Fremont, R. D., Koyama, T., Calfee, C. S., Wu, W., Dossett, L. A., Bossert, F. R., Mitchell, D., Wickersham, N., Bernard, G. R., Matthay, M. A., May, A. K., & Ware, L. B. (2010). Acute Lung Injury in Patients With Traumatic Injuries: Utility of a Panel of Biomarkers for Diagnosis and Pathogenesis. Journal of Trauma: Injury, Infection & Critical Care, 68(5), 1121–1127. https://doi.org/10.1097/TA.0b013e3181c40728

[8] Gelzo, M., Cacciapuoti, S., Pinchera, B., De Rosa, A., Cernera, G., Scialò, F., Comegna, M., Mormile, M., Fabbrocini, G., Parrella, R., Corso, G., Gentile, I., & Castaldo, G. (2022). Matrix metalloproteinases (MMP) 3 and 9 as biomarkers of severity in COVID-19 patients. Scientific Reports, 12(1), 1212. https://doi.org/10.1038/s41598-021-04677-8

[9] Hagens, L. A., Heijnen, N. F. L., Smit, M. R., Schultz, M. J., Bergmans, D. C. J. J., Schnabel, R. M., & Bos, L. D. J. (2021). Systematic review of diagnostic methods for acute respiratory distress syndrome. ERJ Open Research, 7(1), 00504–02020. https://doi.org/10.1183/23120541.00504-2020

[10] Hsu, A. T., Barrett, C. D., DeBusk, G. M., Ellson, C. D., Gautam, S., Talmor, D. S., Gallagher, D. C., & Yaffe, M. B. (2015). Kinetics and Role of Plasma Matrix Metalloproteinase-9 Expression in Acute Lung Injury and the Acute Respiratory Distress Syndrome. Shock, 44(2), 128–136. https://doi.org/10.1097/SHK.0000000000000386

[11] Ishiguro, T., Kobayashi, Y., Uozumi, R., Takata, N., Takaku, Y., Kagiyama, N., Kanauchi, T., Shimizu, Y., & Takayanagi, N. (2019). Viral Pneumonia Requiring Differentiation from Acute and Progressive Diffuse Interstitial Lung Diseases. Internal Medicine, 58(24), 3509–3519. https://doi.org/10.2169/internalmedicine.2696-19

[12] Joffre, J., Rodriguez, L., Matthay, Z. A., Lloyd, E., Fields, A. T., Bainton, R. J., Kurien, P., Sil, A., Calfee, C. S., Woodruff, P. G., Erle, D. J., Hendrickson, C., Krummel, M. F., Langelier, C. R., Matthay, M. A., Kornblith, L. Z., & Hellman, J. (2022). COVID-19–associated Lung Microvascular Endotheliopathy: A "From the Bench" Perspective. American Journal of Respiratory and Critical Care Medicine, 206(8), 961–972. https://doi.org/10.1164/rccm.202107-1774OC

[13] Kang, M., Hong, K. S., Chikontwe, P., Luna, M., Jang, J. G., Park, J., Shin, K.-C., Park, S. H., & Ahn, J. H. (2021). Quantitative Assessment of Chest CT Patterns in COVID-19 and Bacterial Pneumonia Patients: A Deep Learning Perspective. Journal of Korean Medical Science, 36(5), e46. https://doi.org/10.3346/jkms.2021.36.e46

[14] Kitsiouli, E., Tenopoulou, M., Papadopoulos, S., & Lekka, M. E. (2021). Phospholipases A2 as biomarkers in acute respiratory distress syndrome. Biomedical Journal, 44(6), 663–670. https://doi.org/10.1016/j.bj.2021.08.005

[15] Kouhsari, E., Azizian, K., Sholeh, M., Shayestehpour, M., Hashemian, M., Karamollahi, S., Yaghoubi, S., & Sadeghiifard, N. (2021). Clinical, epidemiological, laboratory, and radiological characteristics of novel Coronavirus (2019-nCoV) in retrospective studies: A systemic review and meta-analysis. Indian Journal of Medical Microbiology, 39(1), 104–115. https://doi.org/10.1016/j.ijmmb.2020.10.004

[16] Luo, J., Zhang, Z., Zhao, S., & Gao, R. (2023). A Comparison of Etiology, Pathogenesis, Vaccinal and Antiviral Drug Development between Influenza and COVID-19. International Journal of Molecular Sciences, 24(7), 6369. https://doi.org/10.3390/ijms24076369

[17] Lyons, P. G., Bhavani, S. V., Mody, A., Bewley, A., Dittman, K., Doyle, A., Windham, S. L., Patel, T. M., Raju, B. N., Keller, M., Churpek, M. M., Calfee, C. S., Michelson, A. P., Kannampallil, T., Geng, E. H., & Sinha, P. (2022). Hospital trajectories and early predictors of clinical outcomes differ between SARS-CoV-2 and influenza pneumonia. eBioMedicine, 85, 104295. https://doi.org/10.1016/j.ebiom.2022.104295

[18] Machnicki, S., Patel, D., Singh, A., Talwar, A., Mina, B., Oks, M., Makkar, P., Naidich, D., Mehta, A., Hill, N. S., Brown, K. K., & Raoof, S. (2021). The Usefulness of Chest CT Imaging in Patients With Suspected or Diagnosed COVID-19. Chest, 160(2), 652–670. https://doi.org/10.1016/j.chest.2021.04.004

[19] Meyer, N. J., Gattinoni, L., & Calfee, C. S. (2021). Acute respiratory distress syndrome. The Lancet, 398(10300), 622–637. https://doi.org/10.1016/S0140-6736(21)00439-6

[20] Saied, H. F. I., Al_Omari, A. K., & Avrunin, O. G. (2011). An Attempt of the Determination of Aerodynamic Characteristics of Nasal Airways. In R. S. Choraś (Ed.), Image Processing and Communications Challenges 3 (Vol. 102, pp. 311–322). Springer Berlin Heidelberg. https://doi.org/10.1007/978-3-642-23154-4_35

[21] Selivanova, K. G., Avrunin, O. G., Zlepko, S. M., Romanyuk, S. O., Zabolotna, N. I., Kotyra, A., Komada, P., & Smailova, S. (2016). Quality improvement of diagnosis of the electromyography data based on statistical characteristics of the measured signals (R. S. Romaniuk, Ed.; p. 100312R). https://doi.org/10.1117/12.2248953

[22] Sharma, S., Aggarwal, A., Sharma, R. K., Patras, E., & Singhal, A. (2022). Correlation of chest CT severity score with clinical parameters in COVID-19 pulmonary disease in a tertiary care hospital in Delhi during the pandemic period. Egyptian Journal of Radiology and Nuclear Medicine, 53(1), 166. https://doi.org/10.1186/s43055-022-00832-x

[23] Sinha, P., & Bos, L. D. (2021). Pathophysiology of the Acute Respiratory Distress Syndrome. Critical Care Clinics, 37(4), 795–815. https://doi.org/10.1016/j.ccc.2021.05.005

[24] Sweeney, T. E., & Khatri, P. (2017). Generalizable Biomarkers in Critical Care: Toward Precision Medicine. Critical Care Medicine, 45(6), 934–939. https://doi.org/10.1097/CCM.0000000000002402

[25] The ARDS Definition Task Force. (2012). Acute Respiratory Distress Syndrome: The Berlin Definition. JAMA, 307(23). https://doi.org/10.1001/jama.2012.5669

[26] Wang, C., Horby, P. W., Hayden, F. G., & Gao, G. F. (2020). A novel coronavirus outbreak of global health concern. The Lancet, 395(10223), 470–473. https://doi.org/10.1016/S0140-6736(20)30185-9

[27] Wang, Y., Wang, H., Zhang, C., Zhang, C., Yang, H., Gao, R., & Tong, Z. (2019). Lung fluid biomarkers for acute respiratory distress syndrome: A systematic review and meta-analysis. Critical Care, 23(1), 43. https://doi.org/10.1186/s13054-019-2336-6

[28] Wójcik, W., Pavlov, S., & Kalimoldayev, M. (Eds). (2019). Information Technology in Medical Diagnostics II (1st edn). CRC Press. https://doi.org/10.1201/9780429057618

Ocena informacyjnych kryteriów diagnostycznych i biomarkerów ciężkości przebiegu choroby z wykorzystaniem modelu dyskryminacyjnego u pacjentów z COVID-19. (2026). Informatyka, Automatyka, Pomiary w Gospodarce i Ochronie Środowiska, 16(2), 26-31. https://doi.org/10.35784/iapgos.9055

##plugins.themes.bootstrap3.article.sidebar##

Numer Tom 16 Nr 2 (2026)

Archiwum

##plugins.themes.bootstrap3.article.main##

Authors

Abstrakt

Słowa kluczowe:

Cele Zrównoważonego Rozwoju (SDG)

Bibliografia

##plugins.themes.bootstrap3.article.details##

Licencja