使用深度神经决策树和森林预测COVID-19患者的康复或死亡率
Mohammad Dehghani1, Mohadeseh Zarei Ghobadi2, Mobin Mohammadi3
1School of Electrical and Computer Engineering, University of Tehran, Tehran, Iran. dehghani.mohammad@ut.ac.ir.
BMC research notes
|October 28, 2025
概括
深度神经决策森林使用临床数据准确预测COVID-19患者的死亡率. 这种机器学习方法为识别高风险个体提供了可靠的工具,改善了医疗保健机构的资源配置.
科学领域:
- 医疗信息学 医疗信息学
- 医疗保健中的机器学习
- 流行病学 流行病学
背景情况:
- 对紧急医生来说,有效识别高风险患者至关重要,特别是在COVID-19等全球卫生危机期间.
- 医疗保健系统的资源配置,特别是在服务不足的地区,需要准确的死亡率预测.
- COVID-19强调了需要先进的工具来评估疾病严重程度和患者的结果.
研究的目的:
- 评估深度神经决策森林和深度神经决策树对COVID-19患者死亡率的预测性能.
- 通过使用各种患者数据,比较各种机器学习和深度学习模型在预测死亡率方面的有效性.
- 评估临床数据,人口统计,健康指标和职业因素在死亡率预测中的有用性.
主要方法:
- 使用分层采样方法对COVID-19患者的数据集进行分区.
- 采用九种机器学习和深度学习方法,包括深度神经决策森林和树木,以构建预测模型.
- 专注于分析患者数据,包括诊断,人口统计,健康指标和职业风险因素.
主要成果:
- 深度神经决策森林模型在预测患者死亡率方面表现卓越.
- 仅使用临床数据,深度神经决策森林的准确率为80.7%,回忆率为80.7%,精度为75.7%,F1得分为74.8%.
- 这种模型将深度神经网络的表示能力与决策森林的解释性结合在一起,在不需要成像或实验室测试的情况下优于其他方法.
结论:
- 深度神经决策森林是COVID-19患者死亡率的有效和可靠预测因素.
- 该模型仅使用临床数据表现良好的能力提高了其在资源有限的环境中的适用性.
- 这种方法为COVID-19死亡风险分层提供了一个可解释和高性能解决方案.
