アルボウイルス病分類のための証拠としての機械学習フレームワーク：臨床的検証に先行する方法論的開発

科学分野:

• 医療情報学
• 計算生物学
• 疫学

背景:

• アルボウイルス病（デング熱、ジカ熱、チクングニア熱）は、媒介生物、地理、症状を共有しており、診断が複雑になっています。
• データ不足は、併存するアルボウイルスの機械学習診断ツールの開発にとって大きな課題となっています。

研究 の 目的:

• アルボウイルス病診断のための計算上の実現可能性を確立するための合成データ使用の概念実証を実証すること。
• アルボウイルス病診断のための計算上の実現可能性を確立するための合成データ使用の概念実証を実証すること。

主な方法:

• 28,000件の記録（デング熱、ジカ熱、チクングニア熱がそれぞれ7,000件、対照としてインフルエンザを追加）からなる合成データセットを収集しました。
• 統計分析（オッズ比、カイ二乗）のために67の症状のバイナリ行列を作成しました。
• パフォーマンス指標（精度、精度、感度、特異度、F1スコア、AUC-ROC、コーエンのカッパ）を使用して、機械学習アルゴリズム（MLP、NN、QSVM、BT）をトレーニングおよび評価しました。

主要な成果:

• 合成データセットの臨床的関連性は、PAHOガイドラインおよび既存のアルボウイルスデータベースに対して検証されました。
• 狭いニューラルネットワーク（NN）モデルは、0.92の精度、>0.98のAUC、>0.85の精度/感度/特異度、および0.89のコーエンのカッパで高いパフォーマンスを達成しました。
• NNモデルは、デング熱とインフルエンザを確実に区別しましたが、ジカ熱とチクングニア熱の区別ではパフォーマンスがわずかに低下しました。

結論:

• 症状の特徴を活用する機械学習およびディープラーニングモデルは、アルボウイルス病の早期診断を加速できます。
• これらのモデルは、リソースが限られた地域で貴重なサポートツールとして機能します。
• 開発されたモデルは、臨床医療の専門知識を置き換えるものではなく、補完するものです。