論文の概要: Predicting Recovery or Decease of COVID-19 Patients with Clinical and
RT-PCR Using Machine Learning Classification Algorithms
- arxiv url: http://arxiv.org/abs/2311.13925v1
- Date: Thu, 23 Nov 2023 11:21:40 GMT
- ステータス: 処理完了
- システム内更新日: 2023-11-28 00:10:16.623139
- Title: Predicting Recovery or Decease of COVID-19 Patients with Clinical and
RT-PCR Using Machine Learning Classification Algorithms
- Title(参考訳): 機械学習分類アルゴリズムを用いた臨床・RT-PCR患者の回復・減少予測
- Authors: Mohammad Dehghani, Zahra Yazdanparast
- Abstract要約: 本研究の目的は、機械学習アルゴリズムが新型コロナウイルス患者の結果を予測できるかどうかを検討することである。
異なる機能セットで4つのステージを定義し、予測モデルを構築するために6つの機械学習メソッドを使用しました。
78.7%の精度で、ランダム森林は患者の死亡と回復を予測できる有望な結果を示した。
- 参考スコア(独自算出の注目度): 0.356008609689971
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: The COVID-19 pandemic has disrupted the global economy and people's daily
lives in unprecedented ways. To make appropriate decisions, it is necessary to
diagnose COVID-19 rapidly and accurately. Clinical decision making is
influenced by data collected from patients. With the aid of artificial
intelligence, COVID-19 has been diagnosed quickly by analyzing symptoms,
polymerase chain reaction (PCR), computed tomography scans, chest X-rays,
routine laboratory blood tests and even cough sounds. Furthermore, these data
can be used to predict a patient's morality, although there is a question about
which data makes the most accurate predictions. Therefore, this study consists
of two parts. Our first objective is to examine whether machine learning
algorithms can predict the outcome of COVID-19 cases (recovery or death), based
on the features present in the dataset. In the second part of the research, we
investigated the impact of clinical and RT-PCR on prediction of recovery and
decease to determine which one is more reliable. We defined four stages with
different feature sets and use six machine learning methods to build prediction
model. With an accuracy of 78.7%, random forest showed promising results for
predicting death and recovery of patients. Based on this, it appears that
recovery and decease of patients are predictable using machine learning. For
second objective, results indicate that clinical alone (without using RT-PCR),
trained with AdaBoost algorithm, is the most accurate with an accuracy of
82.1%. This study can provide guidance for medical professionals in the event
of a crisis or outbreak similar to COVID-19.
- Abstract(参考訳): 新型コロナウイルスのパンデミックは世界経済と人々の日常生活を前例のない方法で破壊している。
適切な判断を下すには、covid-19を迅速かつ正確に診断する必要がある。
臨床意思決定は患者から収集されたデータに左右される。
人工知能の助けを借りて、COVID-19は症状、ポリメラーゼ連鎖反応(PCR)、CTスキャン、胸部X線検査、定期的な血液検査、さらにはうっ血音を分析して迅速に診断された。
さらに、これらのデータは患者のモラルの予測に使用できるが、どのデータが最も正確な予測を行うかという疑問がある。
したがって,本研究は2つの部分からなる。
私たちの最初の目標は、データセットにある機能に基づいて、機械学習アルゴリズムがcovid-19のケース(回復か死か)の結果を予測することができるかどうかを調べることです。
本研究の第2部では, 臨床とrt-pcrが回復の予測とデセアーゼに与えた影響について検討し, どちらが信頼性が高いかについて検討した。
特徴セットの異なる4つのステージを定義し,6つの機械学習手法を用いて予測モデルを構築した。
78.7%の精度で、ランダム森林は患者の死亡と回復を予測できる有望な結果を示した。
このことから,患者の回復と退院は機械学習を用いて予測可能であると考えられる。
第2の目的は、AdaBoostアルゴリズムで訓練された臨床単独(RT-PCRを使用しない)が82.1%の精度で最も正確であることを示している。
本研究は、危機やcovid-19に類似したアウトブレイクが発生した場合に、医療専門家にガイダンスを提供することができる。
関連論文リスト
- COVID-Net Biochem: An Explainability-driven Framework to Building
Machine Learning Models for Predicting Survival and Kidney Injury of COVID-19
Patients from Clinical and Biochemistry Data [66.43957431843324]
我々は、機械学習モデルを構築するための汎用的で説明可能なフレームワークであるCOVID-Net Biochemを紹介する。
この枠組みを用いて、新型コロナウイルス患者の生存率と、入院中に急性腎不全を発症する可能性を予測する。
論文 参考訳(メタデータ) (2022-04-24T07:38:37Z) - COVID-Net Clinical ICU: Enhanced Prediction of ICU Admission for
COVID-19 Patients via Explainability and Trust Quantification [71.80459780697956]
患者臨床データに基づくICU入院予測のためのニューラルネットワークであるCOVID-Net Clinical ICUを紹介する。
提案されたCOVID-Net Clinical ICUは、1,925人のCOVID-19患者からなるシロ・リバネ病院の臨床データセットを使用して構築された。
定量的説明可能性戦略を用いたシステムレベルの洞察発見を行い,異なる臨床特徴の意思決定効果について検討した。
論文 参考訳(メタデータ) (2021-09-14T14:16:32Z) - COVIDx-US -- An open-access benchmark dataset of ultrasound imaging data
for AI-driven COVID-19 analytics [116.6248556979572]
COVIDx-USは、新型コロナウイルス関連超音波画像データのオープンアクセスベンチマークデータセットです。
肺超音波93本と,SARS-CoV-2肺炎,非SARS-CoV-2肺炎,健康管理症例10,774本からなる。
論文 参考訳(メタデータ) (2021-03-18T03:31:33Z) - Clinical Outcome Prediction from Admission Notes using Self-Supervised
Knowledge Integration [55.88616573143478]
臨床テキストからのアウトカム予測は、医師が潜在的なリスクを見落としないようにする。
退院時の診断,手術手順,院内死亡率,長期予測は4つの一般的な結果予測対象である。
複数の公開資料から得られた患者結果に関する知識を統合するために,臨床結果の事前学習を提案する。
論文 参考訳(メタデータ) (2021-02-08T10:26:44Z) - Challenges in the application of a mortality prediction model for
COVID-19 patients on an Indian cohort [0.0]
ヤンなど。
機械学習(ML)メソッドを使って新型コロナウイルス患者の結果を予測する研究が公開されている。
ここでは、covid-19患者の最大のデータセットの1つにデプロイすることで、このモデルの制限を示します。
論文 参考訳(メタデータ) (2021-01-15T07:06:49Z) - AIforCOVID: predicting the clinical outcomes in patients with COVID-19
applying AI to chest-X-rays. An Italian multicentre study [7.456548336226919]
胸部X線(CXR)が集中治療や死亡などの重篤な結果の危険にさらされる患者の早期発見のための可能なツールとして使用できるかどうかを検討する。
CXRは、CT(Computed tomography)と比較して、より単純で、より速く、より広く、放射線線量を減らす放射線技術である。
2020年春にイタリアの6つの病院から820人の患者から収集されたデータを含むデータセットを提案する。
論文 参考訳(メタデータ) (2020-12-11T18:03:08Z) - 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) - Predicting Patient COVID-19 Disease Severity by means of Statistical and
Machine Learning Analysis of Blood Cell Transcriptome Data [3.5699804146136676]
患者末梢血のデータを用いて臨床結果を予測する方法について検討した。
本研究は, 健常人と陽性患者とを鑑別し, 血液検査で測定可能な臨床パラメータをいくつか明らかにした。
そこで我々は,90%以上の重症度と死亡率予測の精度と精度を示す分析手法を多数開発した。
論文 参考訳(メタデータ) (2020-11-19T10:32:46Z) - 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) - CovidCare: Transferring Knowledge from Existing EMR to Emerging Epidemic
for Interpretable Prognosis [20.701122594508675]
新興感染症患者の予後を高めるための深層学習型アプローチであるCovidCareを提案する。
CovidCareは、トランスファーラーニングを通じて、大量の既存のEMRデータに基づいて、新型コロナウイルス関連の医療機能を組み込むことを学ぶ。
実際のCOVID-19データセット上で、患者に対する滞在予測実験の期間を延ばす。
論文 参考訳(メタデータ) (2020-07-17T09:20:56Z) - From predictions to prescriptions: A data-driven response to COVID-19 [42.57407485467993]
新型コロナウイルスの臨床的特徴を理解するための包括的データ駆動型アプローチを提案する。
私たちは、感染や死亡のリスクを予測するために、パーソナライズされた電卓を構築します。
人工呼吸器の再配置と不足軽減のための最適化モデルを提案する。
論文 参考訳(メタデータ) (2020-06-30T03:34:00Z)
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。