使用深层堆叠神经网络的COVID-19患者的临床预测
Sajid Hussain1, Xu Songhua1, Muhammad Usman Aslam1
1School of Mathematics and Statistics XJTU, Xian, Shaanxi, China.
概括
这项研究引入了一个深层堆叠神经网络 (DSNN) 模型,用于预测2019年新冠肺炎 (COVID-19) 患者死亡率. DSNN模型实现了高精度,帮助医疗保健专业人员管理COVID-19患者护理.
科学领域:
- 计算生物学是一种计算生物学.
- 医疗信息学医学信息学
- 机器学习在医疗保健中的应用
背景情况:
- 在预测患者的结果方面,COVID-19大流行带来了重大挑战.
- 准确的预后对于有效的临床管理和资源分配至关重要.
- 现有的预测策略需要改进,以提高预测能力.
研究的目的:
- 开发和验证一种用于预测COVID-19患者死亡风险的新型机器学习模型.
- 确定可预测COVID-19患者结果的关键临床和实验室特征.
- 将拟议模型的性能与已建立的预测方法进行比较.
主要方法:
- 使用矩阵分解来从匿名的患者数据中选择特征.
- 开发了一个深层堆叠神经网络 (DSNN) 模型用于死亡风险预测.
- 使用主要组件分析 - 支持矢量机器,深度学习和随机森林模型进行比较分析.
主要成果:
- DSNN模型在多个指标上表现出卓越的性能,包括99.0%的准确性和96.0%的曲线下面积.
- 在F1得分 (98.1%),回忆 (98.5%),精度 (97.7%) 和特异性 (97.0%) 中获得了高分.
- 在患者死亡风险分类方面表现优于现有的临床预测模型.
结论:
- 开发的DSNN模型为预测COVID-19患者死亡率提供了强大而有效的工具.
- 早期预测可以在患者管理和干预策略方面显著帮助医疗保健专业人员.
- 这种方法有可能降低全球COVID-19患者死亡率.
