Журнал противовирусных и антиретровирусных препаратов
Открытый доступ

Абстрактный

Модель прогнозирования на основе машинного обучения для ранней диагностики пациентов с COVID-19

Наньнань Сунь, Я Ян, Линлин Тан, Чжэнь Ли, Инин Дай, Ван Сюй, Сяолян Цянь, Хайв Гао, Бинь Цзюй

Цель: Для повышения своевременности ранней диагностики инфекции COVID-19 необходимо разработать инструмент принятия решений, который поможет проводить раннюю диагностику пациентов с COVID-19 в клиниках лихорадочных заболеваний.

Материалы и методы: Целью данной статьи является извлечение факторов риска из клинических данных 912 пациентов с ранней стадией инфицирования COVID-19 и использование четырех типов традиционных подходов машинного обучения, включая логистическую регрессию (LR), метод опорных векторов (SVM), дерево решений (DT), случайный лес (RF) и метод, основанный на глубоком обучении, для диагностики ранней стадии COVID-19.

Результаты: Результаты показывают, что предиктивная модель LR демонстрирует более высокий уровень специфичности 0,95, площадь под рабочей кривой приемника (AUC) 0,971 и улучшенный уровень чувствительности 0,82, что делает ее оптимальной для скрининга ранней инфекции COVID-19. Мы также проводим проверку на общность лучшей модели (предиктивной модели LR) среди населения Чжэцзян и анализируем вклад факторов в предиктивные модели.

Обсуждения: На фоне пандемии COVID-19 ранняя диагностика COVID-19 по-прежнему сталкивается с серьезными трудностями, поэтому инструмент принятия решений, помогающий проводить раннюю диагностику пациентов с COVID-19, имеет жизненно важное значение для клиник лихорадки.

Выводы: В нашей рукописи описывается и подчеркивается способность методов машинного обучения повышать точность и своевременность ранней диагностики инфекции COVID-19. Более высокая AUC нашей прогностической модели на основе LR делает ее более подходящим методом для помощи в диагностике COVID-19. Оптимальная модель была инкапсулирована в виде мобильного приложения (APP) и внедрена в некоторых больницах провинции Чжэцзян.