实时传染病耐受性指标系统用于科学决策,使用机器学习和快速数据处理.
Shivendra Dubey1, Dinesh Kumar Verma1, Mahesh Kumar1
1Computer Science and Engineering, Jaypee University of Engineering and Technology, Guna, Madhya Pradesh, India.
PeerJ. Computer science
|August 15, 2024
概括
使用基本血液测试的机器学习模型可以预测COVID-19死亡率. 关键因素如年龄和特定的血液标记物达到96%的准确性,有助于感染性疾病的早期干预.
科学领域:
- 医疗信息学 医疗信息学
- 计算生物学 计算生物学
- 流行病学 流行病学
背景情况:
- 由SARS-CoV-2引起的全球大流行COVID-19需要准确的死亡率预测,以有效管理患者.
- 基本的血液检测提供了一个广泛可用的替代复杂的成像预测患者的结果.
- 识别血液工作中的关键预测因素对于改善治疗策略至关重要.
研究的目的:
- 开发和验证机器学习模型,以使用常规血液检测数据预测COVID-19死亡率.
- 确定与COVID-19死亡率相关的最重要的血液生物标志物和人口因素.
- 评估模型的预测准确性和临床应用的及时性.
主要方法:
- 利用机器学习 (ML) 方法,特别是XGBoost特征重要性和神经网络分类.
- 分析了常规血液检测结果,包括乳酸脱酶 (LDH),淋巴细胞,中性粒细胞和高敏感性C反应蛋白 (hs-CRP),以及患者的年龄.
- 根据结果的几天,使用三个不同的数据集验证了模型的预测性能.
主要成果:
- 五个因素 (年龄,LDH,淋巴细胞,中性粒细胞,hs-CRP) 的组合在96%的病例中准确预测了死亡率.
- 最优的ML模型在死亡事件发生前16天实现了高准确性和90%的精度率.
- 模型性能在不同的时间框架中被一致地证明为结果.
结论:
- 利用可访问的血液检测数据的机器学习模型可以有效预测COVID-19死亡率.
- 鉴定的生物标志物为早期风险分层和有针对性的治疗策略提供了宝贵的见解.
- 这种方法提供了一种实用,及时和可靠的工具,以支持传染病管理中的临床决策.
相关概念视频
01:18Steps in Outbreak Investigation
115
In the ever-evolving field of public health, statistical analysis serves as a cornerstone for understanding and managing disease outbreaks. By leveraging various statistical tools, health professionals can predict potential outbreaks, analyze ongoing situations, and devise effective responses to mitigate impact. For that to happen, there are a few possible stages of the analysis:
115
01:12Statistical Software for Data Analysis and Clinical Trials
525
Statistical software is pivotal in data analysis and clinical trials by providing tools to analyze data, draw conclusions, and make predictions. These software packages range from simple data management applications to complex analytical platforms, supporting various statistical tests, models, and simulation techniques. Their significance lies in their ability to handle vast amounts of data with precision and efficiency, enabling researchers to validate hypotheses, identify trends, and make...
525