一个基于深度学习和门式循环单元的优化模型用于COVID-19死亡预测
Zahraa Tarek1, Mahmoud Y Shams2, S K Towfek3,4
1Computer Science Department, Faculty of Computers and Information, Mansoura University, Mansoura 35561, Egypt.
Biomimetics (Basel, Switzerland)
|November 24, 2023
概括
本研究引入了一种增强的卷积神经网络与门循环单元 (CNN-GRU) 模型,用于使用物联网 (IoT) 数据预测COVID-19死亡率. 由人工智能驱动的方法准确预测死亡人数,有助于流行病管理.
科学领域:
- 医疗信息学 医疗信息学
- 医疗保健中的人工智能
- 流行病学 流行病学
背景情况:
- 随着COVID-19的流行,全球健康危机出现,需要创新的监测和预测解决方案.
- 物联网 (IoT) 提供了实时患者监控和医疗保健数据收集的能力.
- 人工智能 (AI) 对于分析复杂的健康数据来预测疾病传播和结果至关重要.
研究的目的:
- 开发和评估一个增强的AI模型来预测COVID-19死亡率.
- 利用物联网 (IoT) 技术改善COVID-19患者监测和风险评估.
- 利用印度的数据集来训练和验证一种新的预测模型.
主要方法:
- 开发了一种增强的卷积神经网络与门循环单元 (CNN-GRU) 模型.
- 数据预处理包括在印度COVID-19数据集 (4692例,8个特征) 上进行正常化和归算.
- 模型性能使用MAE,MSE,RMSE,MedAE和R平方等指标进行评估,通过ANOVA和Wilcoxon签名等级测试测试统计学意义.
主要成果:
- 与其他模型相比,拟议的CNN-GRU模型在预测COVID-19死亡方面表现优越.
- 该模型有效地利用物联网数据进行患者监测和风险评估.
- 统计测试证实了模型预测能力的重要性.
结论:
- 由AI驱动的CNN-GRU模型与物联网集成,为COVID-19死亡预测提供了有效的工具.
- 这种方法可以提高医疗保健系统管理和减轻传染病爆发影响的能力.
- 该研究强调了先进的机器学习技术在公共卫生监测和预测方面的潜力.
