机器学习辅助算法设计用于从临床,人口,生物化学和免疫学参数预测严重程度:我们从大流行中获得的COVID-19经验
Suchitra Kumari1, Swagata Tripathy2, Saurav Nayak1
1Department of Biochemistry, All India Institute of Medical Sciences, Bhubaneswar, Odisha, India.
Journal of family medicine and primary care
|July 1, 2024
概括
机器学习模型使用生物化学标记器准确预测COVID-19的严重程度. 支持矢量机和随机森林实现了超过94%的准确性,为临床决策和未来的流行病准备提供了宝贵的工具.
科学领域:
- 生物化学 生物化学
- 免疫学 免疫学 免疫学
- 数据科学数据科学数据科学
- 机器学习 机器学习
背景情况:
- 在COVID-19患者的临床和实验室发现往往缺乏相关性,导致死亡率增加.
- 机器学习 (ML) 算法擅长识别数据中的复杂模式,在预测准确性方面超越传统生物标志物.
- 生物化学和免疫学标记有潜力开发基于ML的强大的COVID-19严重性索引.
研究的目的:
- 评估机器学习算法在预测COVID-19严重性的有效性.
- 评估生物化学和免疫学参数在ML驱动的严重性预测中的作用.
- 开发一个可靠的预测工具,用于COVID-19患者的结果.
主要方法:
- 分析了来自5715名COVID-19患者的实验室生化结果,其中包括509名ICU入院患者.
- 机器学习分类器的应用:随机森林分类器 (RFC),支持矢量机 (SVM),天真贝叶斯分类器 (NBC) 和K-最近邻居 (KNN).
- 利用拉索回归来进行参数选择和决策树建模来进行数据子集分析.
主要成果:
- 支持矢量机 (SVM) 显示了最高的准确性 (94.18%),紧随其后的是随机森林分类器 (RFC) (94.04%).
- SVM实现了1.00的最高正预测值 (PPV),而天真贝叶斯分类器 (NBC) 记录了0.95.95的最高负预测值 (NPV).
- 结合C反应蛋白和乳酸脱酶的决策树算法实现了78.31%的正确分类,灵敏度为87.95%,AUC为0.747.
结论:
- 开发的算法利用常规可用的C反应蛋白和乳酸脱酶,作为一种有效的预测工具,特别是在外围临床环境中.
- SVM和RFC模型在预测COVID-19严重程度方面表现出显著的准确性,突出了它们在管理未来的流行病中的潜在实用性.
- 机器学习方法为提高传染病管理中的预后能力提供了一个有希望的途径.
