Assessment of the Compatibility of the Preliminary Analysis Results of the CAtenA Smart PCR Bioinformatics Program with the Expert Results in COVID-19 PCR Test Data Analysis

Abstract

Amaç: Dünya Sağlık Örgütü tarafından COVID-19 için standart tanı yöntemi olarak bildirilen yöntemler arasında en yaygın kullanılanı, SARS-CoV-2 real time polimeraz zincir reaksiyonu (polymerase chain reaction, PCR) testidir. Yöntem uygulandıktan sonra, PCR veri dosyalarının uzman hekim tarafından analiz edilerek sonuçların web tabanlı Laboratuvar Bilgi Yönetim Sistemi’ne aktarılması gerekmektedir. Bu testlerin hızlı şekilde sonuçlandırılması ve sisteme hatasız olarak aktarılması COVID-19 tanı, tedavi ve takibi için oldukça önemli bir basamaktır. CAtenA Smart PCR programı, PCR veri dosyalarını yapay zeka ile değerlendirerek uzman onayına sunan ve onaylanmış sonuçları Laboratuvar Bilgi Yönetim Sistemi’ne aktarabilen web tabanlı yerli bir biyoinformatik programdır. Bu çalışmanın amacı, CAtenA Smart PCR programı tarafından gerçekleştirilen ön değerlendirme sonuçlarının uzman hekim analiz sonuçları ile uyumunun araştırılmasıdır. Materyal-Metot: Bu amaçla, Meram Devlet Hastanesi COVID-19 PCR Laboratuvarı’nda real time PCR cihazında (Bio-Rad CFX96 Touch, Singapore) çalışılmış 846 PCR testi, yapay zeka kullanan biyoinformatik programı CAtenA Smart PCR’ın (Ventura, Ankara, Türkiye) sunduğu ön değerlendirme ve uzman analiz sonuçları açısından istatistiksel olarak karşılaştırılmıştır. Bulgular ve Sonuç: CAtenA Smart PCR programının verdiği negatif ön değerlendirme sonuçlarının uzman analizi ile %100, pozitif sonuçların ise %97.7 uyum sağladığı belirlenmiştir. CAtenA’nın PCR tekrarı önerdiği 84 test sonucunun %96.4’ü uzman analizi tarafından negatif; %3.6’sı pozitif olarak sonuçlandırılmıştır. Yapılan McNemar-Bowker istatistik analizine göre yapay zeka tabanlı CAtenA ile uzman analizi arasında anlamlı bir fark belirlenmiştir ( χ² = 84,2; p = 0,0001). Sonuç olarak, uzman analizi olmadan yapılacak test onaylarında düşük de olsa hatalı pozitif sonuç onaylama riski olduğu, test tekrarlarının ise ek maliyete ve zaman kaybına neden olacağı düşünülmüştür. CAtenA’da kullanılan PCR analizinin özellikle test tekrarları konusunda iyileştirilmesi gerektiği önerisi getirilmiştir.

Keywords

• CAtenA
• COVID-19
• PCR
• SARS-CoV-2
• uzman analizi
• yapay zeka

COVID-19 PCR Testi Veri Analizinde CAtenA Smart PCR Bioinformatik Programının Sunduğu Ön Değerlendirme Sonuçlarının Uzman Sonuçları ile Uyumunun Araştırılması

Öz

Amaç: Dünya Sağlık Örgütü tarafından COVID-19 için standart tanı yöntemi olarak bildirilen yöntemler arasında en yaygın kullanılanı, SARS-CoV-2 real time polimeraz zincir reaksiyonu (polymerase chain reaction, PCR) testidir. Yöntem uygulandıktan sonra, PCR veri dosyalarının uzman hekim tarafından analiz edilerek sonuçların web tabanlı Laboratuvar Bilgi Yönetim Sistemi’ne aktarılması gerekmektedir. Bu testlerin hızlı şekilde sonuçlandırılması ve sisteme hatasız olarak aktarılması COVID-19 tanı, tedavi ve takibi için oldukça önemli bir basamaktır. CAtenA Smart PCR programı, PCR veri dosyalarını yapay zeka ile değerlendirerek uzman onayına sunan ve onaylanmış sonuçları Laboratuvar Bilgi Yönetim Sistemi’ne aktarabilen web tabanlı yerli bir biyoinformatik programdır. Bu çalışmanın amacı, CAtenA Smart PCR programı tarafından gerçekleştirilen ön değerlendirme sonuçlarının uzman hekim analiz sonuçları ile uyumunun araştırılmasıdır. Materyal-Metot: Bu amaçla, Meram Devlet Hastanesi COVID-19 PCR Laboratuvarı’nda real time PCR cihazında (Bio-Rad CFX96 Touch, Singapore) çalışılmış 846 PCR testi, yapay zeka kullanan biyoinformatik programı CAtenA Smart PCR’ın (Ventura, Ankara, Türkiye) sunduğu ön değerlendirme ve uzman analiz sonuçları açısından istatistiksel olarak karşılaştırılmıştır. Bulgular ve Sonuç: CAtenA Smart PCR programının verdiği negatif ön değerlendirme sonuçlarının uzman analizi ile %100, pozitif sonuçların ise %97.7 uyum sağladığı belirlenmiştir. CAtenA’nın PCR tekrarı önerdiği 84 test sonucunun %96.4’ü uzman analizi tarafından negatif; %3.6’sı pozitif olarak sonuçlandırılmıştır. Yapılan McNemar-Bowker istatistik analizine göre yapay zeka tabanlı CAtenA ile uzman analizi arasında anlamlı bir fark belirlenmiştir ( χ² = 84,2; p = 0,0001). Sonuç olarak, uzman analizi olmadan yapılacak test onaylarında düşük de olsa hatalı pozitif sonuç onaylama riski olduğu, test tekrarlarının ise ek maliyete ve zaman kaybına neden olacağı düşünülmüştür. CAtenA’da kullanılan PCR analizinin özellikle test tekrarları konusunda iyileştirilmesi gerektiği önerisi getirilmiştir.

Anahtar Kelimeler

• COVID-19
• SARS-CoV-2
• PCR
• CAtenA
• yapay zeka
• uzman analizi
• COVID-19, SARS-CoV-2, PCR, CAtenA, yapay zeka, uzman analizi

References

1. Asada, K., Kaneko, S., Takasawa, K., Machino, H., Takahashi, S., Shinkai, N., Shimoyama, R., Komatsu, M., & Hamamoto, R. (2021). Integrated Analysis of Whole Genome and Epigenome Data Using Machine Learning Technology: Toward the Establishment of Precision Oncology. Frontiers in oncology, 11, 666937. https://doi.org/10.3389/fonc.2021.666937
2. Kuang, J., Yan, X., Genders, A. J., Granata, C., & Bishop, D. J. (2018). An overview of technical considerations when using quantitative real-time PCR analysis of gene expression in human exercise research. PloS one, 13(5), e0196438. https://doi.org/10.1371/journal.pone.0196438
3. Liu, Y. C., Kuo, R. L., & Shih, S. R. (2020). COVID-19: The first documented coronavirus pandemic in history. Biomedical journal, 43(4), 328–333. https://doi.org/10.1016/j.bj.2020.04.007
4. Peiffer-Smadja, N., Dellière, S., Rodriguez, C., Birgand, G., Lescure, F. X., Fourati, S., & Ruppé, E. (2020). Machine learning in the clinical microbiology laboratory: has the time come for routine practice? Clinical microbiology and infection: the official publication of the European Society of Clinical Microbiology and Infectious Diseases, 26(10), 1300–1309. https://doi.org/10.1016/j.cmi.2020.02.006
5. Rhoads, D. D., Novak, S. M., & Pantanowitz, L. (2015). A review of the current state of digital plate reading of cultures in clinical microbiology. Journal of pathology informatics, 6, 23. https://doi.org/10.4103/2153-3539.157789
6. Smith, K. P., Wang, H., Durant, T.J.S., Mathison, B.A., Sharpeh, S.E., Kirby, J.E., et al. (2020). Application of artificial intelligence in clinical microbiology diagnostic testing. Clin. Microbiol. Newsletter. 42, 61–70
7. Sreepadmanabh, M., Sahu, A. K., & Chande, A. (2020). COVID-19: Advances in diagnostic tools, treatment strategies, and vaccine development. Journal of biosciences, 45(1), 148. https://doi.org/10.1007/s12038-020-00114-6
8. Sule, W. F., & Oluwayelu, D. O. (2020). Real-time RT-PCR for COVID-19 diagnosis: challenges and prospects. The Pan African medical journal, 35(Suppl 2), 121. https://doi.org/10.11604/pamj.supp.2020.35.24258

9. Tasdelen, A., & Sen, B. (2021). A hybrid CNN-LSTM model for pre-miRNA classification. Scientific reports, 11(1), 14125. https://doi.org/10.1038/s41598-021-93656-0
10. van Oosten, L. N., & Klein, C. D. (2020). Machine Learning in Mass Spectrometry: A MALDI-TOF MS Approach to Phenotypic Antibacterial Screening. Journal of medicinal chemistry, 63(16), 8849–8856. https://doi.org/10.1021/acs.jmedchem.0c00040
11. Ventura. CAtenA Smart PCR. https://ventura.com.tr/?page_id=1528 (son ziyaret tarihi: 5 Ekim 2021)
12. Worl Health Organization. (2020, 17 January). Laboratory testing of 2019 novel coronavirus (‎‎‎‎‎‎‎‎‎‎‎‎2019-nCoV)‎‎‎‎‎‎‎‎‎‎‎‎ in suspected human cases: interim guidance, 17 January 2020. https://www.who.int/publications/i/item/laboratory-testing-of-2019-novel-coronavirus-(-2019-ncov)-in-suspected-human-cases-interim-guidance-17-january-2020