論文の概要: A New Feature Selection Method for LogNNet and its Application for
Diagnosis and Prognosis of COVID-19 Disease Using Routine Blood Values
- arxiv url: http://arxiv.org/abs/2205.09974v1
- Date: Fri, 20 May 2022 05:47:29 GMT
- ステータス: 処理完了
- システム内更新日: 2022-05-23 14:32:28.301704
- Title: A New Feature Selection Method for LogNNet and its Application for
Diagnosis and Prognosis of COVID-19 Disease Using Routine Blood Values
- Title(参考訳): LogNNetの新たな特徴選択法とその血液値を用いたCOVID-19感染症の診断と予後への応用
- Authors: Mehmet Tahir Huyut and Andrei Velichko
- Abstract要約: 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。
- 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: Since February-2020, the world has embarked on an intense struggle with the
COVID-19 disease, and health systems have come under a tragic pressure as the
disease turned into a pandemic. The aim of this study is to determine the most
effective routine-blood-values (RBV) in the diagnosis/prognosis of COVID-19
using new feature selection method for LogNNet reservoir neural network. First
dataset in this study consists of a total of 5296-patients with a same number
of negative and positive covid test. Second dataset consists of a total of
3899-patients with a diagnosis of COVID-19, who were treated in hospital with
severe-infected (203) and mildly-infected (3696). The most important RBVs that
affect the diagnosis of the disease from the first dataset were
mean-corpuscular-hemoglobin-concentration (MCHC), mean-corpuscular-hemoglobin
(MCH) and activated-partial-prothrombin-time (aPTT). The most effective
features in the prognosis of the disease were erythrocyte-sedimentation-rate
(ESR), neutrophil-count (NEU), C-reactive-protein (CRP). LogNNet-model achieved
an accuracy rate of A46 = 99.5% in the diagnosis of the disease with 46
features and A3 = 99.17% with only MCHC, MCH, and aPTT features. Model reached
an accuracy rate of A48 = 94.4% in determining the prognosis of the disease
with 48 features and A3 = 82.7% with only ESR, NEU, and CRP features. LogNNet
model demonstrated a very high disease diagnosis/prognosis of COVID-19
performance without knowing about the symptoms or history of the patients. The
model is suitable for devices with low resources (3-14 kB of RAM used on the
Arduino microcontroller), and is promising to create mobile health monitoring
systems in the Internet of Things. Our method will reduce the negative
pressures on the health sector and help doctors understand pathogenesis of
COVID-19 through key futures and contribute positively to the treatment
processes.
- Abstract(参考訳): 2020年2月から、世界は新型コロナウイルス(covid-19)のパンデミック(パンデミック)に陥り、医療システムは悲惨な圧力にさらされている。
本研究の目的は,LogNNet貯水池ニューラルネットワークの新たな特徴選択法を用いて,新型コロナウイルスの診断・予後において最も有効なルーチン血液値(RBV)を決定することである。
この研究の最初のデータセットは、5296人の患者で、同じ数の陰性および正のコビッドテストがある。
第2のデータセットは、重症感染症(203)と軽度感染症(3696)の病院で治療を受けた、covid-19の診断を受けた3899人の患者からなる。
第1のデータセットから疾患の診断に影響を与える最も重要なRBVは、平均体性ヘモグロビン濃度(MCHC)、平均体性ヘモグロビン濃度(MCH)、活性化部分性プロトロンビン時間(aPTT)であった。
この疾患の予後で最も有効な特徴は、赤血球沈着率(ESR)、好中球数(NEU)、C反応性タンパク質(CRP)であった。
lognnet-model は a46 = 99.5% の精度で,a3 = 99.17%,mchc,mch,aptのみであった。
モデルでは、a48 = 94.4%の精度で、48の疾患と、esr、neu、crpのみのa3 = 82.7%の疾患の予後を判定した。
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。
このモデルは、Arduinoマイクロコントローラで使用されるRAMが3~14kBの低リソースのデバイスに適している。
本手法は, 医療セクターに対する負のプレッシャーを減らし, 新型コロナウイルスの病態の解明に有効であり, 治療プロセスに積極的に貢献する。
関連論文リスト
- Automated Huntington's Disease Prognosis via Biomedical Signals and
Shallow Machine Learning [0.0]
心電図, 心電図, 機能的近赤外分光データを用いて, 患者27名, コントロール36名, 不明6名のクリニックで収集した既製認定データセットを用いて検討した。
最大精度はスケールアウトしたExtremely Randomized Treesアルゴリズムにより達成され、受信者特性0.963の曲線下と91.353%の精度で達成された。
論文 参考訳(メタデータ) (2023-02-04T02:20:46Z) - 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) - 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) - An Automated Approach for Timely Diagnosis and Prognosis of Coronavirus
Disease [1.52292571922932]
コロナウイルス病2019(COVID-19)の流行以降、感染した患者の多くは高熱、乾ききき、喉の腫れなどと診断され、重篤な肺炎に繋がった。
これまで、肺イメージングによるCOVID-19の診断は、この疾患の早期診断の主要な証拠であることが証明されています。
提案手法は,非造影CT(non-contrast chest Computed tomography)スキャンによる疾患の自動診断と予後に焦点をあてるものである。
論文 参考訳(メタデータ) (2021-04-29T05:26:30Z) - 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) - COVID-19 diagnosis by routine blood tests using machine learning [0.0]
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。
論文 参考訳(メタデータ) (2020-06-04T14:57:17Z) - Hemogram Data as a Tool for Decision-making in COVID-19 Management:
Applications to Resource Scarcity Scenarios [62.997667081978825]
新型コロナウイルス(COVID-19)のパンデミックは世界中の緊急対応システムに挑戦している。
本研究は, 症状患者の血液検査データから得られた機械学習モデルについて述べる。
提案されたモデルでは、新型コロナウイルスqRT-PCRの結果を、高い精度、感度、特異性で症状のある個人に予測することができる。
論文 参考訳(メタデータ) (2020-05-10T01:45:03Z) - Diagnosis of Coronavirus Disease 2019 (COVID-19) with Structured Latent
Multi-View Representation Learning [48.05232274463484]
最近、コロナウイルス病2019(COVID-19)の流行は世界中で急速に広まっている。
多くの患者と医師の重労働のために、機械学習アルゴリズムによるコンピュータ支援診断が緊急に必要である。
本研究では,CT画像から抽出した一連の特徴を用いて,COVID-19の診断を行うことを提案する。
論文 参考訳(メタデータ) (2020-05-06T15:19:15Z) - 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)
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。