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
- SepsisLab: Early Sepsis Prediction with Uncertainty Quantification and Active Sensing [67.8991481023825]
セプシスは米国での院内死亡の主な原因である。
既存の予測モデルは通常、情報不足の少ない高品質なデータで訓練される。
限られた観察により信頼性の低い高リスク患者に対して,ロバストな能動センシングアルゴリズムを提案する。
論文 参考訳（メタデータ） (2024-07-24T04:47:36Z) - Mortality Prediction with Adaptive Feature Importance Recalibration for
Peritoneal Dialysis Patients: a deep-learning-based study on a real-world
longitudinal follow-up dataset [19.7915762858399]
終末期腎疾患(ESRD)に対する腹膜透析(PD)は最も広く用いられている生命維持療法の1つである
本稿では,リアルタイム,個別化,解釈可能な死亡予測モデル - AICare のためのディープラーニングモデルを開発することを目的とする。
本研究は656 PD患者13,091 人の臨床経過と人口統計データを収集した。
論文 参考訳（メタデータ） (2023-01-17T13:17:54Z) - Using Deep Learning-based Features Extracted from CT scans to Predict
Outcomes in COVID-19 Patients [0.4841303207359715]
Computed Tomography(CT)スキャンとElectronic Health Record(EHR)データから抽出したマルチモーダル特徴を組み合わせた新しい手法を提案する。
深層学習モデルを用いてCTスキャンから定量的特徴を抽出する。
これらの特徴と、EHRデータベースから直接読み込まれるものを組み合わせることで、マシンラーニングモデルに入力され、最終的には患者の結果の確率が出力される。
論文 参考訳（メタデータ） (2022-05-10T16:22:16Z) - DeepMMSA: A Novel Multimodal Deep Learning Method for Non-small Cell
Lung Cancer Survival Analysis [8.78724404464036]
我々は,非小細胞肺癌(NSCLC)生存率解析のための多モード深層学習法,DeepMMSAを提案する。
臨床データと組み合わせてCT画像を活用することにより、医用画像内の豊富な情報を肺がん生存情報に関連付けることができる。
論文 参考訳（メタデータ） (2021-06-12T11:02:14Z) - HINT: Hierarchical Interaction Network for Trial Outcome Prediction
Leveraging Web Data [56.53715632642495]
臨床試験は、有効性、安全性、または患者採用の問題により、不確実な結果に直面する。
本稿では,より一般的な臨床試験結果予測のための階層型Interaction Network(HINT)を提案する。
論文 参考訳（メタデータ） (2021-02-08T15:09:07Z) - 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) - 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) - UNITE: Uncertainty-based Health Risk Prediction Leveraging Multi-sourced
Data [81.00385374948125]
我々はUNcertaInTyベースのhEalth Risk Prediction(UNITE)モデルを提案する。
UNITEは、複数ソースの健康データを活用した正確な疾患リスク予測と不確実性推定を提供する。
非アルコール性脂肪肝疾患(NASH)とアルツハイマー病(AD)の実態予測タスクにおけるUNITEの評価を行った。
UNITEはAD検出のF1スコアで最大0.841点、NASH検出のPR-AUCで最大0.609点を達成し、最高のベースラインで最大19%の高パフォーマンスを達成している。
論文 参考訳（メタデータ） (2020-10-22T02:28:11Z) - MIA-Prognosis: A Deep Learning Framework to Predict Therapy Response [58.0291320452122]
本稿では,患者の予後と治療反応を予測するための統合型深層学習手法を提案する。
我々は,マルチモーダル非同期時系列分類タスクとして,確率モデリングを定式化する。
我々の予測モデルは、長期生存の観点から、低リスク、高リスクの患者をさらに階層化する可能性がある。
論文 参考訳（メタデータ） (2020-10-08T15:30:17Z) - 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)
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。