طبقه بندی بیماران کووید-19 براساس علایم بالینی و ویژگی های جمعیت شناختی

نوع مقاله : پژوهشی اصیل

نویسندگان

1 گروه فیزیک و مهندسی پزشکی، دانشکده پزشکی، دانشگاه علوم پزشکی تهران، تهران، ایران

2 کمیته تحقیقات دانشجویی، دانشگاه علوم پزشکی بقیه الله (عج)، تهران، ایران

3 مرکز تحقیقات سلامت معنوی، پژوهشکده سبک زندگی و گروه پزشکی اجتماعی، دانشکده پزشکی، دانشگاه علوم پزشکی بقیه الله (عج)، تهران، ایران

4 مرکز تحقیقات بیوانفورماتیک، دانشگاه علوم پزشکی بقیه الله (عج)، تهران، ایران

چکیده

زمینه و هدف: 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.
روش‌ها: 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.
یافته‌ها: 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.
نتیجه‌گیری: 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.

کلیدواژه‌ها

طب نظامی
دوره 26، شماره 6 - شماره پیاپی 130
بهمن و اسفند 1403
صفحه 2605-2617

فایل ها

هم رسانی

ارجاع به این مقاله

آمار