COVID-19入院者数の日常的な病院患者データを用いた機械学習ベースの短期予測

科学分野:

• 感染症モデリング
• 疫学
• 公衆衛生サーベイランス

背景:

• COVID-19パンデミックは、感染症モデリングツールの開発を加速させました。
• 予測モデルは、感染伝播の追跡や医療資源の必要性の予測に不可欠です。
• 効果的な公衆衛生対応のためには、入院者数の正確な短期予測が不可欠です。

研究 の 目的:

• COVID-19入院者数の短期予測手法の性能を比較すること。
• 予測精度の向上における電子カルテおよび下水データの有用性を評価すること。
• リアルタイムの流行予測に最適なモデリングアプローチを特定すること。

主な方法:

• スイス、ベルンにある6つの病院からの電子カルテのレトロスペクティブ分析（2020年2月～2023年6月）。
• 5つの予測手法の適用：最終観察値繰延法、線形回帰、XGBoost、および2つのニューラルネットワーク。
• 複数のカットオフポイントと最適化されたハイパーパラメータを用いた、未来除外学習スキームの利用。

主要な成果:

• XGBoostは入院者数の予測において、他の手法よりも一般的に優れた性能を発揮しました。
• 発熱を伴う入院者数や下水中のウイルス濃度などの特徴を組み込むことで、予測精度が向上しました。
• 本研究では、日常的な病院データを用いて様々な手法を体系的に比較しました。

結論:

• XGBoostなどの高度な予測手法は、入院者数予測の精度を大幅に向上させることができます。
• 下水サーベイランスデータを病院データに加えることは、リアルタイムの流行予測に有望なアプローチを提供します。
• 予測の改善は、感染症発生時のエビデンスに基づいた公衆衛生上の意思決定を支援します。