预测赞比亚住院COVID-19患者的死亡率:机器学习的应用

科学领域:

• 计算流行病学计算流行病学
• 医疗信息学 医疗信息学
• 机器学习在公共卫生中的应用

背景情况:

• 由于COVID-19大流行,全球死亡率显著,医疗保健系统受到压力.
• 预测住院患者的死亡率对于资源配置和流行病准备至关重要.
• 赞比亚和许多国家一样,在管理COVID-19患者结果方面面临着挑战.

研究的目的:

• 用机器学习 (ML) 预测赞比亚住院COVID-19患者的死亡风险.
• 确定COVID-19死亡率的关键预测因素,以提高流行病的准备.
• 在这种情况下,评估各种ML模型的死亡率预测性能.

主要方法:

• 使用了七个机器学习分类器:决策树 (DT),随机森林 (RF),支持向量机 (SVM),后勤回归 (LR),天真贝叶斯 (NB),梯度增强 (GB) 和XGBoost (XGB).
• 在赞比亚的1,433名住院COVID-19患者的数据上训练模型.
• 使用包括精度,回忆,F1-Score,ROC_AUC和PRC_AUC在内的指标评估模型性能.

主要成果:

• XGBoost以92.3%的精度,94.2%的回忆,92.4%的F1-Score和97.5%的ROC_AUC.实现了最高的性能.
• 梯度提升 (91.7%准确率) 和随机森林 (90.8%准确率) 也显示出强大的预测能力.
• 功能重要性分析确定了潜在的健康状况,停留时间,白细胞计数和年龄作为死亡率的重要预测因素.

结论:

• 机器学习模型可以有效地预测赞比亚住院患者的COVID-19死亡率.
• 鉴定出来的因素可以指导临床干预,改善资源管理,提高疫情防控.
• 该研究提供了一个有效的框架,用于在公共卫生监测和应对中利用ML.