論文の概要: Symptom-based Machine Learning Models for the Early Detection of
COVID-19: A Narrative Review
- arxiv url: http://arxiv.org/abs/2312.06832v1
- Date: Fri, 8 Dec 2023 01:41:42 GMT
- ステータス: 処理完了
- システム内更新日: 2023-12-13 18:10:29.598500
- Title: Symptom-based Machine Learning Models for the Early Detection of
COVID-19: A Narrative Review
- Title（参考訳）: 症状に基づく機械学習モデルによるcovid-19早期発見の試み
- Authors: Moyosolu Akinloye
- Abstract要約: 機械学習モデルは、患者の報告した症状、臨床データ、医療画像などを取り入れて、大規模なデータセットを分析することができる。
本稿では、その性能と限界を含む、COVID-19を予測するための症状のみの機械学習モデルの概要について概説する。
また、画像ベースモデルと比較して、症状ベースのモデルの性能についても検討する。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Despite the widespread testing protocols for COVID-19, there are still
significant challenges in early detection of the disease, which is crucial for
preventing its spread and optimizing patient outcomes. Owing to the limited
testing capacity in resource-strapped settings and the limitations of the
available traditional methods of testing, it has been established that a fast
and efficient strategy is important to fully stop the virus. Machine learning
models can analyze large datasets, incorporating patient-reported symptoms,
clinical data, and medical imaging. Symptom-based detection methods have been
developed to predict COVID-19, and they have shown promising results. In this
paper, we provide an overview of the landscape of symptoms-only machine
learning models for predicting COVID-19, including their performance and
limitations. The review will also examine the performance of symptom-based
models when compared to image-based models. Because different studies used
varying datasets, methodologies, and performance metrics. Selecting the model
that performs best relies on the context and objectives of the research.
However, based on the results, we observed that ensemble classifier performed
exceptionally well in predicting the occurrence of COVID-19 based on patient
symptoms with the highest overall accuracy of 97.88%. Gradient Boosting
Algorithm achieved an AUC (Area Under the Curve) of 0.90 and identified key
features contributing to the decision-making process. Image-based models, as
observed in the analyzed studies, have consistently demonstrated higher
accuracy than symptom-based models, often reaching impressive levels ranging
from 96.09% to as high as 99%.
- Abstract（参考訳）: 新型コロナウイルス(COVID-19)の検査プロトコルが広く普及しているにもかかわらず、この病気の早期発見には依然として大きな課題がある。
資源を制限した環境でのテスト能力の制限と従来の検査方法の制限により、ウイルスを完全に阻止するためには、迅速かつ効率的な戦略が重要であることが確立されている。
機械学習モデルは、患者が報告した症状、臨床データ、医療画像などの大規模なデータセットを分析できる。
症状に基づく検出法は、新型コロナウイルスを予測するために開発されており、有望な結果を示している。
本稿では、その性能と限界を含む、COVID-19を予測するための症状のみの機械学習モデルの概要について概説する。
また、画像ベースモデルと比較して、症状ベースのモデルの性能についても検討する。
さまざまな研究が、さまざまなデータセット、方法論、パフォーマンスメトリクスを使用していたからです。
最善を尽くすモデルを選択するには、研究の文脈と目的に依存する。
しかし, この結果から, 集団分類器は, 患者症状に基づく新型コロナウイルス発生の予測において, 97.88%の精度で極めて良好な成績を示した。
勾配ブースティングアルゴリズムはAUC(Area Under the Curve)の0.90を達成し、意思決定プロセスに寄与する重要な特徴を特定した。
解析された研究で観察された画像ベースモデルは、症状ベースのモデルよりも常に高い精度を示しており、しばしば96.09%から99%までの印象的なレベルに達した。
関連論文リスト
- Using Pre-training and Interaction Modeling for ancestry-specific disease prediction in UK Biobank [69.90493129893112]
近年のゲノムワイド・アソシエーション(GWAS)研究は、複雑な形質の遺伝的基盤を明らかにしているが、非ヨーロッパ系個体の低発現を示している。
そこで本研究では,マルチオミクスデータを用いて,多様な祖先間での疾患予測を改善することができるかを評価する。
論文 参考訳（メタデータ） (2024-04-26T16:39:50Z) - Comparative Analysis of Epileptic Seizure Prediction: Exploring Diverse
Pre-Processing Techniques and Machine Learning Models [0.0]
脳波データを用いたてんかん発作予測のための5つの機械学習モデルの比較分析を行った。
本分析の結果は,各モデルの性能を精度で示すものである。
ETモデルは99.29%の精度で最高の性能を示した。
論文 参考訳（メタデータ） (2023-08-06T08:50:08Z) - Comparative Analysis of State-of-the-Art Deep Learning Models for
Detecting COVID-19 Lung Infection from Chest X-Ray Images [3.829821362301428]
胸部X線画像を用いた新型コロナウイルス感染を自動的に検出するための最新の最先端のDeep Convolutional Neural Networks(CNN)の適用性について検討した。
トレーニングしたモデルMobileNet,EfficentNet,InceptionV3はそれぞれ95%,95%,94%の分類平均精度を達成した。
論文 参考訳（メタデータ） (2022-07-01T02:23:23Z) - A Novel Implementation of Machine Learning for the Efficient,
Explainable Diagnosis of COVID-19 from Chest CT [0.0]
本研究の目的は、胸部CTスキャンから新型コロナウイルスを機械学習で検出することである。
提案したモデルは0.927の総合精度と0.958の感度を得た。
論文 参考訳（メタデータ） (2022-06-15T18:35:22Z) - The pitfalls of using open data to develop deep learning solutions for
COVID-19 detection in chest X-rays [64.02097860085202]
深層学習モデルは、胸部X線から新型コロナウイルスを識別するために開発された。
オープンソースデータのトレーニングやテストでは,結果は異例です。
データ分析とモデル評価は、人気のあるオープンソースデータセットであるCOVIDxが実際の臨床問題を代表していないことを示している。
論文 参考訳（メタデータ） (2021-09-14T10:59:11Z) - Systematic investigation into generalization of COVID-19 CT deep
learning models with Gabor ensemble for lung involvement scoring [9.94980188821453]
本研究は,COVID-19 CTデータを用いたキーパブリッシュモデルの一般化可能性について検討する。
次に、独立した新しいデータセットを使用して、新型コロナウイルスの重症度に関するこれらのモデルの予測能力を評価する。
論文 参考訳（メタデータ） (2021-04-20T03:49:48Z) - Deep learning-based COVID-19 pneumonia classification using chest CT
images: model generalizability [54.86482395312936]
深層学習(DL)分類モデルは、異なる国の3DCTデータセット上で、COVID-19陽性患者を特定するために訓練された。
我々は、データセットと72%の列車、8%の検証、20%のテストデータを組み合わせたDLベースの9つの同一分類モデルを訓練した。
複数のデータセットでトレーニングされ、トレーニングに使用されるデータセットの1つからテストセットで評価されたモデルは、よりよいパフォーマンスを示した。
論文 参考訳（メタデータ） (2021-02-18T21:14:52Z) - 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) - Individualized Prediction of COVID-19 Adverse outcomes with MLHO [9.197411456718708]
我々は、反復的な特徴とアルゴリズムの選択を利用して健康状態を予測するエンドツーエンドの機械学習フレームワークを開発した。
入院前患者の健康状態と人口統計を表わす特徴として,約600点を用いた4つの有害な結果のモデル化を行った。
以上の結果から, 人口統計学的変数は, 新型コロナウイルス感染後の副作用の予測因子として重要であるが, 過去の臨床記録の組み入れは, 信頼性の高い予測モデルに欠かせないことが示唆された。
論文 参考訳（メタデータ） (2020-08-10T02:44:52Z) - 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) - 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)
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。