論文の概要: COVID-19 diagnosis by routine blood tests using machine learning
- arxiv url: http://arxiv.org/abs/2006.03476v1
- Date: Thu, 4 Jun 2020 14:57:17 GMT
- ステータス: 処理完了
- システム内更新日: 2022-11-25 09:51:21.095234
- Title: COVID-19 diagnosis by routine blood tests using machine learning
- Title（参考訳）: 機械学習を用いた血液検査による新型コロナウイルスの診断
- Authors: Matja\v{z} Kukar, Gregor Gun\v{c}ar, Toma\v{z} Vovko, Simon Podnar,
Peter \v{C}ernel\v{c}, Miran Brvar, Mateja Zalaznik, Mateja Notar, Sa\v{s}o
Mo\v{s}kon, Marko Notar
- Abstract要約: 新型コロナウイルスの診断のための機械学習予測モデルを構築した。
発熱、うっ血、筋痛、その他の症状のある患者は、最初の定期的な血液検査を受けられるようになった。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Physicians taking care of patients with coronavirus disease (COVID-19) have
described different changes in routine blood parameters. However, these
changes, hinder them from performing COVID-19 diagnosis. We constructed a
machine learning predictive model for COVID-19 diagnosis. The model was based
and cross-validated on the routine blood tests of 5,333 patients with various
bacterial and viral infections, and 160 COVID-19-positive patients. We selected
operational ROC point at a sensitivity of 81.9% and specificity of 97.9%. The
cross-validated area under the curve (AUC) was 0.97. The five most useful
routine blood parameters for COVID19 diagnosis according to the feature
importance scoring of the XGBoost algorithm were MCHC, eosinophil count,
albumin, INR, and prothrombin activity percentage. tSNE visualization showed
that the blood parameters of the patients with severe COVID-19 course are more
like the parameters of bacterial than viral infection. The reported diagnostic
accuracy is at least comparable and probably complementary to RT-PCR and chest
CT studies. Patients with fever, cough, myalgia, and other symptoms can now
have initial routine blood tests assessed by our diagnostic tool. All patients
with a positive COVID-19 prediction would then undergo standard RT-PCR studies
to confirm the diagnosis. We believe that our results present a significant
contribution to improvements in COVID-19 diagnosis.
- Abstract（参考訳）: 新型コロナウイルス(covid-19)の患者を診察する医師は、日常的な血液パラメータの異なる変化を報告している。
しかし、これらの変化は新型コロナウイルスの診断を妨げている。
新型コロナウイルスの診断のための機械学習予測モデルを構築した。
このモデルは、さまざまな細菌およびウイルス感染症患者5,333人、および160人のcovid-19陽性患者の定期的な血液検査に基づいて比較評価された。
術中ROC点の感度は81.9%,特異性は97.9%であった。
曲線下 (AUC) は0.97。
XGBoostアルゴリズムの特徴的評価値に基づくCOVID19診断に最も有用な血液パラメータは,MCHC,好酸球数,アルブミン,INR,プロトロンビン活性率であった。
tSNEの可視化により、重症のCOVID-19コースの血液パラメータは、ウイルス感染よりも細菌のパラメータに近いことがわかった。
診断精度は少なくともRT-PCRおよび胸部CT検査と同等である。
発熱, せき, 筋痛, その他の症状のある患者は, 診断ツールによって初期定期的な血液検査を受けることができる。
陽性のCOVID-19予測を持つすべての患者は、診断を確認するために標準RT-PCR研究を行う。
今回の結果は,新型コロナウイルスの診断の改善に大きく貢献すると考えられる。
関連論文リスト
- Machine Learning Sensors for Diagnosis of COVID-19 Disease Using Routine
Blood Values for Internet of Things Application [0.0]
ヒストグラムに基づくGradient Boosting (HGB) は、100%の精度で、学習時間は6.39秒であった。
我々は、これらの11の特徴とその組み合わせを、病気の診断においてMLセンサーの重要なバイオマーカーとして使用し、ArduinoおよびクラウドIoTサービス上でエッジコンピューティングをサポートすることを提案する。
論文 参考訳（メタデータ） (2022-09-08T01:35:45Z) - A New Feature Selection Method for LogNNet and its Application for
Diagnosis and Prognosis of COVID-19 Disease Using Routine Blood Values [0.0]
本研究の目的は,LogNNet貯水池ニューラルネットワークの特徴選択法を用いて,新型コロナウイルスの診断・予後における最も効果的なルーチン血液値を決定することである。
LogNNetモデルは、患者の症状や病歴を知らずに、COVID-19パフォーマンスの非常に高い診断・予後を示した。
論文 参考訳（メタデータ） (2022-05-20T05:47:29Z) - CovXR: Automated Detection of COVID-19 Pneumonia in Chest X-Rays through
Machine Learning [0.0]
新型コロナウイルスは重症急性呼吸器症候群ウイルス2(SARS-CoV-2)による高感染性疾患である
新型コロナウイルス(COVID-19)陽性の患者は87%の患者でびまん性肺胞損傷を示した。
CovXRは、胸部X線で新型コロナウイルス肺炎を検出するために設計された機械学習モデルである。
論文 参考訳（メタデータ） (2021-10-12T23:21:13Z) - Dual-Attention Residual Network for Automatic Diagnosis of COVID-19 [6.941255691176647]
我々は,他の一般的な肺炎患者や正常者から,CT画像を用いてCOVID-19を自動同定する新たな残留ネットワークを提案する。
この方法では、他の2つのクラスと94.7%の精度、93.73%の感度、98.28%の特異性、95.26%のF1スコア、および受信機動作特性曲線(AUC)の0.99の領域を区別することができる。
論文 参考訳（メタデータ） (2021-05-14T11:59:47Z) - Effect of Different Batch Size Parameters on Predicting of COVID19 Cases [0.0]
異なるバッチサイズがCOVID19および他のクラスの検出成績に及ぼす影響について検討した。
最も高いCOVID19検出率はBH = 3に対して95.17%であり、全体的な精度値はBH = 20で97.97%であった。
論文 参考訳（メタデータ） (2020-12-10T09:25:05Z) - Classification supporting COVID-19 diagnostics based on patient survey
data [82.41449972618423]
新型コロナウイルス患者の効果的なスクリーニングを可能にするロジスティック回帰とXGBoost分類器が作成された。
得られた分類モデルは、DECODEサービス(decode.polsl.pl)の基礎を提供し、COVID-19病患者のスクリーニング支援に役立てることができる。
このデータセットは、3,000以上のサンプルで構成されており、ポーランドの病院で収集されたアンケートに基づいている。
論文 参考訳（メタデータ） (2020-11-24T17:44:01Z) - Identification of Ischemic Heart Disease by using machine learning
technique based on parameters measuring Heart Rate Variability [50.591267188664666]
本研究は,243名の非侵襲的特徴(年齢,性別,左室容積率,HRV15)を用いて,一連のANNの訓練と評価を行った。
最高の結果は、7つの入力パラメータと7つの隠れノードを使用して、トレーニングと検証データセットに対して98.9%と82%の精度で得られた。
論文 参考訳（メタデータ） (2020-10-29T19:14:41Z) - Integrative Analysis for COVID-19 Patient Outcome Prediction [53.11258640541513]
我々は、集中治療室入院の必要性を予測するために、人口統計、バイタルサイン、実験室の所見から、肺不透明度の放射能と非画像の特徴を組み合わせる。
また, 地域性肺炎を含む他の肺疾患にも適用できるが, 地域性肺炎に限らない。
論文 参考訳（メタデータ） (2020-07-20T19:08:50Z) - Dual-Sampling Attention Network for Diagnosis of COVID-19 from Community
Acquired Pneumonia [46.521323145636906]
胸部CT(Central Computed Tomography)において,地域肺炎(CAP)からCOVID-19を自動診断するデュアルサンプリングアテンションネットワークを開発した。
特に,3D畳み込みネットワーク(CNN)を用いた新しいオンラインアテンションモジュールを提案する。
我々のアルゴリズムは、受信機動作特性曲線(AUC)値0.944、精度87.5%、感度86.9%、特異度90.1%、F1スコア82.0%の領域で、COVID-19画像を識別することができる。
論文 参考訳（メタデータ） (2020-05-06T09:56:51Z) - JCS: An Explainable COVID-19 Diagnosis System by Joint Classification
and Segmentation [95.57532063232198]
新型コロナウイルス感染症2019(COVID-19)は、200カ国以上でパンデミックの流行を引き起こしている。
感染を制御するためには、感染した人々を識別し、分離することが最も重要なステップである。
本稿では,新型コロナウイルスの胸部CT診断をリアルタイムかつ説明可能な,新しい関節分類システム(JCS)を開発した。
論文 参考訳（メタデータ） (2020-04-15T12:30:40Z) - Severity Assessment of Coronavirus Disease 2019 (COVID-19) Using
Quantitative Features from Chest CT Images [54.919022945740515]
本研究の目的は,胸部CT画像に基づく新型コロナウイルスの重症度自動評価(非重症度または重症度)を実現することである。
ランダム・フォレスト(RF)モデルは、量的特徴に基づいて重症度(非重症度または重症度)を評価するために訓練される。
新型コロナウイルスの重症度を反映する可能性のあるいくつかの定量的特徴が明らかになった。
論文 参考訳（メタデータ） (2020-03-26T15:49:32Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。