Till 31 March 2020, 105,792 COVID-19 cases were confirmed in Italy including 15,726 deaths which explains how worst the epidemic has affected the country. After the announcement of lockdown in Italy on 9 March 2020, situation was becoming stable since last days of March. In view of this, it is important to forecast the COVID-19 evaluation of Italy condition and the possible effects, if this lock down could continue for another 60 days.COVID-19 infected patient data has extracted from the Italian Health Ministry website includes registered and recovered cases from mid February to end March. Adoption of seasonal ARIMA forecasting package with R statistical model was done.Predictions were done with 93.75% of accuracy for registered case models and 84.4% of accuracy for recovered case models. The forecasting of infected patients could be reach the value of 182,757, and recovered cases could be registered value of 81,635 at end of May.This study highlights the importance of country lockdown and self isolation in control the disease transmissibility among Italian population through data driven model analysis. Our findings suggest that nearly 35% decrement of registered cases and 66% growth of recovered cases will be possible.

The novel coronavirus disease (COVID-19) is an ongoing pandemic with large global attention. However, spreading false news on social media sites like Twitter is creating unnecessary anxiety towards this disease. The motto behind this study is to analyses tweets by Indian netizens during the COVID-19 lockdown. The data included tweets collected on the dates between 23 March 2020 and 15 July 2020 and the text has been labelled as fear, sad, anger, and joy. Data analysis was conducted by Bidirectional Encoder Representations from Transformers (BERT) model, which is a new deep-learning model for text analysis and performance and was compared with three other models such as logistic regression (LR), support vector machines (SVM), and long-short term memory (LSTM). Accuracy for every sentiment was separately calculated. The BERT model produced 89% accuracy and the other three models produced 75%, 74.75%, and 65%, respectively. Each sentiment classification has accuracy ranging from 75.88-87.33% with a median accuracy of 79.34%, which is a relatively considerable value in text mining algorithms. Our findings present the high prevalence of keywords and associated terms among Indian tweets during COVID-19. Further, this work clarifies public opinion on pandemics and lead public health authorities for a better society.

Since the discovery of the Coronavirus (nCOV-19), it has become a global pandemic. At the same time, it has been a great challenge to hospitals or healthcare staff to manage the flow of the high number of cases. Especially in remote areas, it is becoming more difficult to consult a medical specialist when the immediate hit of the epidemic has occurred. Thus, it becomes obvious that if effectively designed and deployed chatbot can help patients living in remote areas by promoting preventive measures, virus updates, and reducing psychological damage caused by isolation and fear. This study presents the design of a sophisticated artificial intelligence (AI) chatbot for the purpose of diagnostic evaluation and recommending immediate measures when patients are exposed to nCOV-19. In addition, presenting a virtual assistant can also measure the infection severity and connects with registered doctors when symptoms become serious.

Overweight and obesity are key risk factors of cardiovascular disease (CVD). Obesity is currently presented as a pro-inflammatory state with an expansion in the outflow of inflammatory cytokines, such as interleukin-6 (IL-6) and tumor necrosis factor-alpha (TNF-α), alongside the expanded emission of leptin. The present review aimed to evaluate the relationship between obesity and inflammation and their impacts on the development of cardiovascular disease. A literature search was conducted by employing three academic databases, namely PubMed (Medline), Scopus (EMBASE), and the Cumulative Index to Nursing and Allied Health Literature (CINAHL). The search presented 786 items, and by inclusion and exclusion filterers, 59 works were considered for final review. The Newcastle-Ottawa Scale (NOS) method was adopted to conduct quality assessment; 19 papers were further selected based on the quality score. Obesity-related inflammation leads to a low-grade inflammatory state in organisms by upregulating pro-inflammatory markers and downregulating anti-inflammatory cytokines, thereby contributing to cardiovascular disease pathogenesis. Because of inflammatory and infectious symptoms, adipocytes appear to instigate articulation and discharge a few intense stage reactants and carriers of inflammation. Obesity and inflammatory markers are strongly associated, and are important factors in the development of CVD. Hence, weight management can help prevent cardiovascular risks and poor outcomes by inhibiting inflammatory mechanisms.

Increasing evidence suggests the utility of magnetic resonance imaging (MRI) as an important technique for the diagnosis of Alzheimer's disease (AD) and for predicting the onset of this neurodegenerative disorder. In this study, we present a sophisticated machine learning (ML) model of great accuracy to diagnose the early stages of AD. A total of 373 MRI tests belonging to 150 subjects (age ≥ 60) were examined and analyzed in parallel with fourteen distinct features related to standard AD diagnosis. Four ML models, such as naive Bayes (NB), artificial neural networks (ANN), K-nearest neighbor (KNN), and support-vector machines (SVM), and the receiver operating characteristic (ROC) curve metric were used to validate the model performance. Each model evaluation was done in three independent experiments. In the first experiment, a manual feature selection was used for model training, and ANN generated the highest accuracy in terms of ROC (0.812). In the second experiment, automatic feature selection was conducted by wrapping methods, and the NB achieved the highest ROC of 0.942. The last experiment consisted of an ensemble or hybrid modeling developed to combine the four models. This approach resulted in an improved accuracy ROC of 0.991. We conclude that the involvement of ensemble modeling, coupled with selective features, can predict with better accuracy the development of AD at an early stage.

Adverse effects on personalized care and outcomes of cardiovascular diseases (CVD) could occur if health systems do not work in an efficient manner. The pandemic caused by COVID-19 has opened new perspectives for the execution and advancement of cardiovascular tests through telemedicine platforms.

Adult-onset dementia disorders represent a challenge for modern medicine. Alzheimer's disease (AD) represents the most diffused form of adult-onset dementias. For half a century, the diagnosis of AD was based on clinical and exclusion criteria, with an accuracy of 85%, which did not allow for a definitive diagnosis, which could only be confirmed by post-mortem evaluation. Machine learning research applied to Magnetic Resonance Imaging (MRI) techniques can contribute to a faster diagnosis of AD and may contribute to predicting the evolution of the disease. It was also possible to predict individual dementia of older adults with AD screening data and ML classifiers. To predict the AD subject status, the MRI demographic information and pre-existing conditions of the patient can help to enhance the classifier performance. In this work, we proposed a framework based on supervised learning classifiers in the dementia subject categorization as either AD or non-AD based on longitudinal brain MRI features. Six different supervised classifiers are incorporated for the classification of AD subjects and results mentioned that the gradient boosting algorithm outperforms other models with 97.58% of accuracy.

Abstract Purpose As of July 30, 2020, more than 17 million novel coronavirus disease 2019 (COVID-19) cases were registered including 671,500 deaths. Yet, there is no immediate medicine or vaccination for control this dangerous pandemic and researchers are trying to implement mathematical or time series epidemic models to predict the disease severity with national wide data. Design/methodology/approach In this study, the authors considered COVID-19 daily infection data four most COVID-19 affected nations (such as the USA, Brazil, India and Russia) to conduct 60-day forecasting of total infections. To do that, the authors adopted a machine learning (ML) model called Fb-Prophet and the results confirmed that the total number of confirmed cases in four countries till the end of July were collected and projections were made by employing Prophet logistic growth model. Findings Results highlighted that by late September, the estimated outbreak can reach 7.56, 4.65, 3.01 and 1.22 million cases in the USA, Brazil, India and Russia, respectively. The authors found some underestimation and overestimation of daily cases, and the linear model of actual vs predicted cases found a p-value (<2.2e-16) lower than the R2 value of 0.995. Originality/value In this paper, the authors adopted the Fb-Prophet ML model because it can predict the epidemic trend and derive an epidemic curve.

Abstract Background Telemedicine offers the possibility of provision of medical assistance to remote patients, and it has great potential in developing countries like Pakistan. Telemedicine solves logistical barriers, gives support to weak health systems, and helps to establish worldwide networks of healthcare professionals. Because of the high implementation costs, it is not possible yet to adopt telehealth systems for low‐ and middle‐income nations. Objective To present a revision of region‐based telemedical services in Pakistan. Methods Libraries such as PubMed (Medline), CINAHL (Cumulative Index to Nursing and Allied Health Literature), Scopus (EMBASE), and Google Scholar were used for document search. Newcastle‐Ottawa Scale (NOS) was adopted to conduct study quality. Many of the studies (n−8) included in the review were of high quality as assessed through the Newcastle‐Ottawa scale. Selected study characteristics were further analyzed based on different parameters such as publication year, sample size, study design, methods, motivation, and outcomes. Results Search produced 955 articles and 11 items were ultimately selected to conduct the review. These studies were further characterized as region‐based telemedicine implementation. Out of 11, eight studies were conducted in the urban region and three studies were conducted in the rural areas of Pakistan. Many studies produced evidence on telehealth interventions by smartphone services such as SMS, apps, and web‐based telemedicine. Conclusions Telehealth interventions such as mHealth, eHealth, telemedicine, and telepharmacy in Pakistan were introduced starting from the last two decades. For obtaining the full benefits of these technologies, it is necessary that they but certainly need to become an integral part of Pakistan's current health infrastructure.