کاربرد یادگیری ماشین در پیش بینی مدت اقامت بیماران مبتلا به کرونا: یک مطالعه مروری

مقدمه: در زمان شیوع کووید- ۲۰۱۹ تا ۳۰ درصد بیماران نیاز به بستری شدن در بیمارستان دارند. در این زمان مدیریت و استفادهبهینه از منبع رابطه مستقیمی با پیش بینی و تصمیم گیری درست در مورد بستری شدن افراد دارد. در این مطالعه به کار گیریفناوری یادگیری ماشین برای پیش بینی مدت بستری بیماران کوید - ۱۹ بررسی می شود.روش پژوهش: این مطالعه از نوع مروری است که در تابستان ۱۴۰۰ انجام شده است. کلمات کلیدی یادگیری ماشین، پیش بینی،تعداد روز بستری و کویید- ۱۹ در گوگول اسکالر و پابمد جستجو شدند. جستجو در عنوان و خلاصه مقالات و بدون محدودیت زبانیانجام گردید. پس از اتمام جستجو مقالات مرتبط بر اساس عنوان و خلاصه مقاله غربالگری شدند.یافته ها: از ۱۷ مقاله ۷ مقاله (آمریکا (۴)، چین (۲)، هند (۱)) وارد مطالعه شدند. بدر یادگیری ماشین از داده های بالینی،آزمایشگاهی، جمعیت شناختی علائم حیاتی، ارزیابی پرستاری، داده های آزمایشگاهی و الکترو دیاگرام برای پیش بینی تعداد روزبستری استفاده شده بود. در یک مطالعه میزان لنفوسیت مهمترین وزن را پیش بینی داشته است. یادگیری ماشین علاوه بر مدتزمان بستری می تواند احتمال بستری شدن در ICU و مرگ بیماران را هم پیش بینی کند. الگوریتم K-nearest همسایگان،رگرسیون لجستیک و جنگل تصادفی بیشترین الگوریتم های استفاده شده بود، اما بهترین مدل Gradient Boosting survivalبا دقت ۷۵۹ / است. اطلاعات نا کافی بیماران و کیفیت اطلاعات مهمترین چالش به کارگیری یادگیری ماشین در پیش بینی تعدادروز بستری می باشد.نتیجه گیری: مدل پیش بینی مبتنی بر یادگیری ماشین می تواند به عنوان یک ابزار غربالگری برای شناسایی بیماران نیازمندبستری و پیش بینی تعداد روز بستری استفاده شود. این ابزار می تواند مدیریت منابع بیمارستانی و برنامه ریزی توان بیماران را بهبودبخشد، بنابراین مراقبت های موثرتری را برای بیماران بستری کووید- ۱۹ در بیمارستان ارائه می دهد.

کلیدواژه ها:

یادگیری ماشین ، روزهای بستری ، مدیریت خدمات سلامت ، کویید ۱۹ ، پیش بینی