サポートベクター分類器と二次判別分析を使用したエムポックス症状の高性能分類

科学分野:

• 医学情報学
• 疫学
• 機械学習

背景:

• 世界的なエムポックスのアウトブレイクは、特にリソースが限られた状況において、診断上の課題をもたらしています。
• 従来のエムポックス診断は、コストとロジスティクスの制約からアクセスできないことがよくあります。
• エムポックスのためのスケーラブルでアクセス可能な診断戦略の緊急の必要性があります。

研究 の 目的:

• 迅速なエムポックス検出のための機械学習（ML）分類器の有用性を探求すること。
• 臨床症状データでトレーニングされたMLモデルの費用対効果を評価すること。
• エムポックスを予測する主要な臨床的特徴を特定すること。

主な方法:

• 疑いエムポックス症例の臨床症状のオープンアクセスデータセットを利用しました。
• 5つの教師あり機械学習アルゴリズム（Extra Trees、QDA、Decision Trees、Perceptron、SVC）をトレーニングおよび評価しました。
• 精度、リコール、ROC-AUC、F1スコアを使用してモデルのパフォーマンスを評価し、特徴量の重要性を分析しました。

主要な成果:

• SVC、QDA、Perceptronは高いパフォーマンス（精度97.7％、リコール95.5％）を達成しました。
• これらのモデルは、偽陽性と偽陰性を最小限に抑え、堅牢な識別力を実証しました。
• 皮膚の発疹は、エムポックス検出のための最も重要な予測臨床特徴として特定されました。

結論:

• 機械学習分類器は、臨床的特徴に基づいてエムポックス検出に強力な可能性を示しています。
• 機械学習モデルを統合することで、早期症例検出と疾患サーベイランスを強化できます。
• 将来の研究では、実際の臨床設定での前向きな検証が推奨されます。