الگوهای پنهان در داده های عوارض قلبی عروقی بیماران مبتلا به کووید - ۱۹ با استفاده از علم داده

با هدف به کارگیری روش های داده محور در تحلیل های بالینی این پژوهش به توسعه یک مدل پیش بینی برای شناسایی بیماران مبتلا به کووید-۱۹ با ریسک بالای عوارض قلبی عروقی شدید می پردازد مطالعه بر روی داده های ۲۱۶ بیمار بستری در بیمارستان شهید فقیهی شیراز انجام شده و با بهره گیری از الگوریتم رگرسیون لجستیک با جریمه L۱ Lasso به دلیل قابلیت انتخاب متغیر و کاهش بیش برازش پیاده سازی شده است. داده ها شامل ویژگی های دموگرافیک، شاخص های آزمایشگاهی و پارامترهای بالینی تصویربرداری بوده و پس از پاکسازی و تقسیم داده ها به نسبت ۸۰-۲۰ برای آموزش و آزمون مدل هایی جهت پیش بینی نیاز به بستری در ICU و احتمال مرگ و میر توسعه یافتند. نتایج نشان داد که عملکرد بطن راست، سطح D-Dimer و درگیری ریوی از مهمترین عوامل موثر در پیش بینی بستری در ICU هستند (۰.۹۸=AUC)، همچنین درگیری ریوی، سطح CRP و سن نیز به عنوان پیش بین های کلیدی مرگ و میر شناخته شدند (۰.۹۹=AUC). مقایسه با مدل های بین المللی مانند COVID-GRAM و LEOSS همراستایی مناسبی را در شناسایی عوامل کلیدی نشان داد. یافته ها ظرفیت بالقوه استفاده از مدل های یادگیری ماشین در سیستم های پشتیبان تصمیم گیری بالینی را نشان می دهند و گامی کاربردی در همگرایی مهندسی، داده، هوش مصنوعی و علوم پزشکی محسوب می شوند این رویکرد قابلیت تعمیم به سایر بیماری های پرخطر نیز دارد و بهینه سازی تخصیص منابع درمانی را تسهیل می کند.

کلیدواژه ها:

علم داده ، کووید - ۱۹ ، عوارض قلبی عروقی ، مدل سازی پیش بینی کننده ، رگرسیون لجستیک