طبقه بندی بیماران کووید-۱۹ براساس علایم بالینی و ویژگی های جمعیت شناختی

زمینه و هدف: غربالگری موثر می­تواند چالش ­های پیش روی سیستم مراقبت ­های بهداشتی و درمانی را در جهت تشخیص بیماری کووید-۱۹ کاهش دهد. در این مطالعه هدف ما ارائه یک مدل یادگیری ماشین بود تا بتواند شدت بیماری کووید-۱۹ را با استفاده از ثبت علائم، فاکتورهای آزمایشگاهی و ویژگی ­های جمعیت شناختی پیش­ بینی کند.روش ها: این مطالعه با استفاده از چک لیست­ های تکمیل شده توسط افراد مبتلا به کرونا مراجعه کننده به بیمارستان بقیه الله الاعظم تهران انجام شد. تجزیه و تحلیل همبستگی بین ویژگی ­های داده و متغیر هدف (شدت بیماری کرونا) از طریق نرم ­افزار MATLAB ۲۰۱۹b انجام شد. همچنین از مدل ­های طبقه ­بندی متفاوتی چون ماشین بردار پشتیبان، درخت تصمیم، بیز ساده، Ensemble و کی- نزدیکترین همسایه برای پیش ­بینی بیماری کووید-۱۹ استفاده شد. مقادیر دقت، صحت، بازخوانی، نمره F۱، تشخیص پذیری و مساحت زیر منحنی راک برای مدل ­های طبقه­ بندی مختلف به صورت ویژگی­ های امتیاز داده شده به وسیله الگوریتم MRMR محاسبه شدند. این مدل­ ها با داده ­های ۴۸۰ نفر (۸۰ درصد از همه افراد موجود در جمع ­آوری داده ­ها) آموزش داده شدند و همچنین با داده­ های ۱۲۰ نفر (۲۰ درصد از همه افراد) آزمایش شدند. از الگوریتم بیشترین ارتباط-کمترین افزونگی (MRMR) برای نمره­ دهی به ویژگی­ های مرتبط با شدت بیماری کووید-۱۹ استفاده شد.یافته ها: نتایج مطالعه نشان داد که LDH ،CABG، سرگیجه، MI، روماتیسم، رفتارهای وسواسی، درد قفسه سینه، سابقه ابتلای قبلی به کرونا و عود مجدد بیماری، ابتلا به بیماری دیابت، جنسیت، SGPT، هموپتوزیس، مشکلات خواب، آنژیوگرافی و سرفه خشک به ترتیب پانزده ویژگی برتر برای پیش­ بینی شدت بیماری کرونا بودند. با استفاده از مدل Ensemble به عنوان بهترین مدل برای تشخیص شدت کووید-۱۹ با بالاترین دقت، مقدار مساحت زیر منحنی راک و نمره F۱، به ترتیب ۰.۷۲، ۰.۷۱ و ۰.۷۶ گزارش شد.نتیجه گیری: این مطالعه یک روش یادگیری ماشین را برای تسهیل تصمیم­ گیری بالینی اولیه در زمان شیوع کووید-۱۹ و یک مدل پیش­ بینی کننده شدت کووید-۱۹ که قادر به غربالگری کارآمد و طبقه بندی افراد به دو گروه بیماری کرونای حاد و کرونای ملایم است را ارائه می­ دهد.

کلیدواژه ها:

کووید-۱۹ ، تشخیص ، یادگیری ماشین ، علائم بالینی ، ویژگی های جمعیت شناختی