使用机器学习模型对疟疾寄生虫的定量预测:MLR,ANN,ANFIS和随机森林

科学领域:

• 医疗信息学 医疗信息学
• 计算生物学 计算生物学
• 公共卫生 公共卫生

背景情况:

• 疟疾在非洲是一个重大的社会经济挑战,死亡率很高.
• 准确的疟疾预测对于有效的公共卫生干预和资源分配至关重要.

研究的目的:

• 评估和比较各种疟疾机器学习模型的预测性能.
• 确定疟疾预测最准确的模型,以帮助医疗保健决策.

主要方法:

• 使用了2207名患者的数据集,减少到15个标准样本.
• 我们比较了四种机器学习模型:人工神经网络 (ANN),自适应神经模糊推理系统 (ANFIS),多线性回归 (MLR) 和随机森林分类器.
• 雇员评估措施包括R平方 (R2),根平均平方误差 (RMSE),平均平方误差 (MSE) 和调整的相关系数 (R).

主要成果:

• 人工神经网络 (ANN) 在培训后实现了最高准确率 (99% R和R2).
• 在预测能力方面,ANN的表现优于ANFIS (97%),MLR (92%) 和随机森林 (68%).
• 测试阶段验证了ANN的优异性能;MLR模型显示出极好的准确性,统计预测的错误最小.

结论:

• 与ANFIS,MLR和随机森林相比,ANN模型在疟疾预测方面提供了更高的准确性.
• 这些发现为改善疟疾预测模型和支持医疗保健决策提供了宝贵的见解.
• 机器学习,特别是ANN,提高了疾病预测的精度和效率,优化了医疗保健系统的资源配置.