开发深度LSTM以后的时间注意力来预测COVID-19严重程度,临床结果和抗体水平,通过随着时间的推移查血清学指标

科学领域:

• 医学诊断 医学诊断 医学诊断
• 医疗保健中的人工智能
• 免疫学 免疫学 免疫学

背景情况:

• COVID-19 呈现出高度可变的临床过程和免疫反应.
• 了解疾病进展和患者状况需要确定关键相关因素.
• 斯派克蛋白抗体的动态变化对于评估免疫反应至关重要.

研究的目的:

• 探索一种时间关注 (TA) 深度学习机制,用于预测COVID-19的严重程度,临床结果和Spike抗体水平.
• 用时间序列的血清学指标来加强疾病监测.
• 开发一个计算机辅助的COVID-19诊断系统.

主要方法:

• 使用特征选择技术来确定相关的血清学指标.
• 使用深度长期短期记忆 (LSTM) 模型捕捉疾病标志物的动态变化.
• 提出了一个时间注意长期短期记忆 (TA-LSTM) 模型,强调后来的血液测试结果.

主要成果:

• 确定了与COVID-19相关的关键风险因素.
• 在预测疾病严重程度方面,LSTM模型取得了很高的准确性.
• 在预测临床结果方面,TA-LSTM表现出卓越的表现.
• LSTM模型显示了Spike抗体水平预测的最佳性能.

结论:

• 拟议的深度学习模型有效预测COVID-19疾病严重程度,临床结果和抗体水平.
• 这些模型为使用时间序列血清学数据进行计算机辅助医学诊断提供了宝贵的工具.