通过比较机器学习算法来预测COVID-19死亡率,使用数据集,包括胸部计算机断层扫描严重性得分数据

科学领域:

• 医疗信息学 医疗信息学
• 放射学 放射学是一门学科.
• 计算生物学 计算生物学

背景情况:

• 人工智能 (AI) 和机器学习 (ML) 越来越多地用于COVID-19死亡率预测.
• 现有的模型主要使用人口统计数据,风险因素和实验室结果,仅限于对成像数据的关注.
• 需要预后模型,将成像表现与临床和实验室预测因素相结合.

研究的目的:

• 开发一个高效的ML预后模型来预测COVID-19死亡率.
• 评估胸部CT严重性得分 (CT-SS) 与其他预测因素结合的预后作用.
• 为了比较八种不同的ML算法用于死亡率预测的性能.

主要方法:

• 从6854个疑似COVID-19病例中回顾55个特征的回顾性审查.
• 奇平方测试以确定死亡率的重要预测因素.
• 八个ML算法 (J48,SVM,MLP,k-NN,NB,LR,RF,XGBoost) 的训练和测试.
• 使用准确度,精度,灵敏度,特异性和AUC的性能评估.

主要成果:

• 最终样本包括815名COVID-19阳性患者 (54.85%男性,平均年龄57.22±16.76岁).
• 随机森林 (RF) 算法实现了最高的性能:97.2%的准确性,100%的灵敏性,94.8%的精度,94.5%的特异性和99.9%的AUC.
• 其他ML算法显示出良好的预测性能,AUC从81.2%到93.9%不等.

结论:

• 基于ML的预测模型利用常规数据,包括CT-SS,可以准确地分层COVID-19患者的风险.
• 拟议的RF模型在预测COVID-19死亡率方面表现出高效率.
• 这种方法有助于早期识别高风险患者,优化资源配置,并可能提高生存率.