頻回法、ベイズ法、および機械学習モデルを用いたSARS-CoV-2 PCR陽性予測の比較分析

科学分野:

• 疫学
• 生物統計学
• 機械学習

背景:

• SARS-CoV-2のような疾患の管理には、感染状態の正確な予測が不可欠です。
• SARS-CoV-2の従来の診断方法には、感度と特異度に限界があります。
• より良い予測のために、高度な統計モデルおよび機械学習モデルが検討されています。

研究 の 目的:

• 頻回法ロジスティック回帰、ベイズロジスティック回帰、およびランダムフォレスト分類器の予測性能を評価すること。
• SARS-CoV-2 PCR陽性の主要な臨床的および人口統計学的予測因子を特定すること。
• 異なるモデリングアプローチの識別精度の比較。

主な方法:

• 頻回法ロジスティック回帰、ベイズロジスティック回帰、およびランダムフォレスト分類器を用いた950人の参加者の分析。
• ランダムフォレストモデルにおけるクラス不均衡のための合成少数オーバーサンプリング技術（SMOTE）の適用。
• IgG血清ステータス、旅行歴、症状、性別、年齢を含む予測因子の評価。AUCによるパフォーマンス評価。

主要な成果:

• ランダムフォレスト分類器は、AUC 0.947-0.963で最も高い識別性能を達成しました。
• 頻回法ロジスティック回帰は、国際旅行、嗅覚喪失、国内旅行を有意な予測因子として特定しました。
• 年齢と性別はランダムフォレストモデルで有意であり、潜在的な非線形効果を示唆しています。

結論:

• 機械学習、特にランダムフォレストアプローチは、ロジスティック回帰モデルと比較して優れた予測精度を示しました。
• ベイズ回帰は、主要な予測因子に対して堅牢な推定値を提供し、不確実性を定量化しました。
• 日常的に収集される症状および曝露データは、迅速かつリソース効率の高いSARS-CoV-2スクリーニングを促進できます。