دانشگاه علوم پزشکی بقیه ­الله (عج) طب نظامی 1735-1537 26 6 2025 02 19 Classification of COVID-19 Patients by Clinical Symptoms and Demographic Characteristics طبقه بندی بیماران کووید-19 براساس علایم بالینی و ویژگی های جمعیت شناختی 2605 2617 1001293 10.30491/jmm.2025.1006542.1090 FA سجاد شفیع خانی گروه فیزیک و مهندسی پزشکی، دانشکده پزشکی، دانشگاه علوم پزشکی تهران، تهران، ایران میلاد اصغردوست رضائی کمیته تحقیقات دانشجویی، دانشگاه علوم پزشکی بقیه الله (عج)، تهران، ایران محسن صابری مرکز تحقیقات سلامت معنوی، پژوهشکده سبک زندگی و گروه پزشکی اجتماعی، دانشکده پزشکی، دانشگاه علوم پزشکی بقیه الله (عج)، تهران، ایران مهدی راعی مرکز تحقیقات بیوانفورماتیک، دانشگاه علوم پزشکی بقیه الله (عج)، تهران، ایران 0000-0002-5899-4744 طه چرتاب محمدی کمیته تحقیقات دانشجویی، دانشگاه علوم پزشکی بقیه الله (عج)، تهران، ایران Journal Article 2023 09 29 <strong>Background and Aim: </strong>Effective screening can help alleviate the challenges faced by the healthcare and treatment system in diagnosing COVID-19. This study aimed to introduce a machine learning model for predicting the severity of COVID-19 based on symptom records, laboratory factors, and demographic characteristics.<br /><strong>Methods:</strong> This study was conducted using checklists completed by individuals suffering from coronavirus at Baqiyatalah Hospital in Tehran, Iran. The correlation between data characteristics and the target variable (severity of coronavirus disease) was analyzed using MATLAB 2019b software. Various classification models, such as Support Vector Machine, Decision Tree, Naive Bayes, Ensemble, and K-Nearest Neighbor, were utilized to predict the severity of COVID-19 disease. Precision, accuracy, readability, F1 score, detectability, and the area under the ROC curve for different classification models were calculated as features scored by the MRMR (Maximum Relevance-Minimum Redundancy) algorithm. These models were trained with data from 480 subjects (80% of all subjects in the data collection) and tested with data from 120 subjects (20% of all subjects). The MRMR algorithm was used to score the features related to the severity of COVID-19 disease.<br /><strong>Results:</strong> The results of the study showed that LDH, CABG, vertigo, MI, rheumatism, obsessive behaviors, recurrence of the disease, diabetes, gender, SGPT, hemoptysis, sleep problems, angiography, and dry cough were the top fifteen characteristics to predict the severity of the coronavirus disease, respectively. The Ensemble model was reported as the best model for detecting the severity of COVID-19 with the highest accuracy, the value of the area under the ROC curve, and the F1 score, 0.72, 0.71, and 0.76, respectively.<br /><strong>Conclusion: </strong>This study presents a machine learning method to facilitate early clinical decision-making during the COVID-19 outbreak and a COVID-19 severity prediction model capable of efficiently screening and classifying individuals into two groups: severe and mild COVID-19 disease. <strong>زمینه و هدف:</strong> غربالگری موثر می­تواند چالش ­های پیش روی سیستم مراقبت ­های بهداشتی و درمانی را در جهت تشخیص بیماری کووید-19 کاهش دهد. در این مطالعه هدف ما ارائه یک مدل یادگیری ماشین بود تا بتواند شدت بیماری کووید-۱۹ را با استفاده از ثبت علائم، فاکتورهای آزمایشگاهی و ویژگی ­های جمعیت شناختی پیش­ بینی کند.<br /><strong>روش‌ها:</strong> این مطالعه با استفاده از چک لیست­ های تکمیل شده توسط افراد مبتلا به کرونا مراجعه کننده به بیمارستان بقیه الله الاعظم تهران انجام شد. تجزیه و تحلیل همبستگی بین ویژگی ­های داده و متغیر هدف (شدت بیماری کرونا) از طریق نرم ­افزار MATLAB 2019b انجام شد. همچنین از مدل ­های طبقه ­بندی متفاوتی چون ماشین بردار پشتیبان، درخت تصمیم، بیز ساده، Ensemble و کی- نزدیکترین همسایه برای پیش ­بینی بیماری کووید-۱۹ استفاده شد. مقادیر دقت، صحت، بازخوانی، نمره F₁، تشخیص پذیری و مساحت زیر منحنی راک برای مدل ­های طبقه­ بندی مختلف به صورت ویژگی­ های امتیاز داده شده به وسیله الگوریتم MRMR محاسبه شدند. این مدل­ ها با داده ­های 480 نفر (80 درصد از همه افراد موجود در جمع ­آوری داده ­ها) آموزش داده شدند و همچنین با داده­ های 120 نفر (20 درصد از همه افراد) آزمایش شدند. از الگوریتم بیشترین ارتباط-کمترین افزونگی (MRMR) برای نمره­ دهی به ویژگی­ های مرتبط با شدت بیماری کووید-۱۹ استفاده شد.<br /><strong>یافته‌ها: </strong>نتایج مطالعه نشان داد که LDH ،CABG، سرگیجه، MI، روماتیسم، رفتارهای وسواسی، درد قفسه سینه، سابقه ابتلای قبلی به کرونا و عود مجدد بیماری، ابتلا به بیماری دیابت، جنسیت، SGPT، هموپتوزیس، مشکلات خواب، آنژیوگرافی و سرفه خشک به ترتیب پانزده ویژگی برتر برای پیش­ بینی شدت بیماری کرونا بودند. با استفاده از مدل Ensemble به عنوان بهترین مدل برای تشخیص شدت کووید-۱۹ با بالاترین دقت، مقدار مساحت زیر منحنی راک و نمره F₁، به ترتیب 0.72، 0.71 و 0.76 گزارش شد.<br /><strong>نتیجه‌گیری:</strong> این مطالعه یک روش یادگیری ماشین را برای تسهیل تصمیم­ گیری بالینی اولیه در زمان شیوع کووید-19 و یک مدل پیش­ بینی کننده شدت کووید-19 که قادر به غربالگری کارآمد و طبقه بندی افراد به دو گروه بیماری کرونای حاد و کرونای ملایم است را ارائه می­ دهد. https://militarymedj.bmsu.ac.ir/article_1001293_904ebdbe97dc98d749a2430615295ed9.pdf