机器学习用于风险组识别和用户数据收集在简单疹病毒患者登记:算法开发和验证研究研究

科学领域:

• 计算流行病学计算流行病学
• 机器学习在公共卫生中的应用
• 病毒传染病研究的研究.

背景情况:

• 简单疹病毒 (HSV) 研究面临的挑战是由于数据质量不佳,用户参与度低,以及污名化.
• 准确的数据收集对于了解HSV感染模式和风险因素至关重要.

研究的目的:

• 为了增强对现实世界HSV注册的数据收集.
• 为了确定HSV感染的关键预测因素.
• 尽量减少新用户评估HSV感染风险的问题数量.

主要方法:

• 使用美国国家健康和营养检查调查 (NHANES) 数据库 (2015-2016) 查看HSV-1和HSV-2状态.
• 使用Python开发了一种随机森林机器学习模型,用于分析人口和健康数据.
• 减少了风险评估所需的基于生活方式的问题数量.

主要成果:

• 该模型在预测感染风险方面实现了高精度 (0.91对于HSV-1,0.96对于HSV-2) 和回忆 (0.88对于HSV-1,0.98对于HSV-2).
• 从150个数据收集问题显著减少到平均40个问题.
• 证明了感染风险的高可预测性,用户输入最小.

结论:

• 机器学习算法可以通过有效收集生活方式数据和识别HSV风险来改善现实世界的证据注册表.
• 未来的工作包括整合真实用户数据,电子医疗记录,并确保遵守数据保护法规 (GDPR,HIPAA).