对基于症状的方法进行一致的比较,以检测COVID-19感染
Jesús Rufino1, Juan Marcos Ramírez1, Jose Aguilar2
1IMDEA Networks Institute, 28918, Madrid, Spain.
International journal of medical informatics
|July 2, 2023
概括
这项研究比较了使用自我报告症状的COVID-19检测方法. 基于树的机器学习模型显示出最高的性能,流鼻水和肌肉疼痛是关键指标.
科学领域:
- 流行病学 流行病学
- 机器学习 机器学习
- 公共卫生 公共卫生
背景情况:
- 全球流行病需要快速的COVID-19检测方法.
- 自我报告的基于症状的诊断是为了资源管理而开发的.
- 之前的评估使用了不同的数据集和方法.
研究的目的:
- 综合比较使用自我报告数据的COVID-19检测方法.
- 评估马里兰大学全球COVID-19趋势和影响调查 (UMD-CTIS) 数据集中的方法.
- 评估不同国家和不同时期的绩效.
主要方法:
- 实施基于规则,逻辑回归和基于树的机器学习模型.
- 利用来自六个国家的UMD-CTIS数据,包括症状和抗原测试结果.
- 使用F1得分,灵敏度,特异性和精度评估方法,并进行可解释性分析.
主要成果:
- 在六个国家和两个时期评估了15种方法.
- 基于树的模型获得了最高的F1分数 (45.07% - 73.72%).
- 鼻/流鼻和疼痛/肌肉疼痛在各种模型中一直是相关的症状.
结论:
- 同质数据评估提供了检测方法的一致比较.
- 可解释性分析有助于识别COVID-19检测的关键症状.
- 自报数据的局限性意味着这些方法不能取代临床诊断.
