مقاله پیش بینی بهبودی یا فوت بیماران COVID-19 با الگوریتم های طبقه بندی یادگیری ماشین

چکیده

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.

چکیده به فارسی (ترجمه ماشینی)

همه گیر Covid-19 باعث اختلال در اقتصاد جهانی و زندگی روزمره مردم به روش های بی سابقه ای شده است.برای تصمیم گیری مناسب ، لازم است که به سرعت و دقیق Covid-19 را تشخیص دهیم.تصمیم گیری بالینی تحت تأثیر داده های جمع آوری شده از بیماران است.با کمک هوش مصنوعی ، COVID-19 با تجزیه و تحلیل علائم ، واکنش زنجیره ای پلیمراز (PCR) ، اسکن توموگرافی کامپیوتری ، اشعه ایکس قفسه سینه ، آزمایش معمول آزمایشگاه آزمایشگاهی و حتی صداهای سرفه به سرعت تشخیص داده شده است.علاوه بر این ، این داده ها می توانند برای پیش بینی اخلاق بیمار مورد استفاده قرار گیرند ، اگرچه سوالی در مورد اینکه کدام داده ها دقیق ترین پیش بینی ها را ایجاد می کنند وجود دارد.بنابراین ، این مطالعه از دو بخش تشکیل شده است.اولین هدف ما بررسی این است که آیا الگوریتم های یادگیری ماشین می توانند نتیجه موارد COVID-19 (بازیابی یا مرگ) را بر اساس ویژگی های موجود در مجموعه داده پیش بینی کنند.در بخش دوم تحقیق ، ما تأثیر بالینی و RT-PCR در پیش بینی بهبود و فریب را بررسی کردیم تا مشخص شود کدام یک قابل اطمینان تر است.ما چهار مرحله را با مجموعه های مختلف ویژگی تعریف کردیم و از شش روش یادگیری ماشین برای ساخت مدل پیش بینی استفاده کردیم.با دقت 78.7 ٪ ، جنگل تصادفی نتایج امیدوارکننده ای را برای پیش بینی مرگ و بازیابی بیماران نشان داد.بر این اساس ، به نظر می رسد که بهبود و فریب بیماران با استفاده از یادگیری ماشین قابل پیش بینی هستند.برای هدف دوم ، نتایج نشان می دهد که به تنهایی بالینی (بدون استفاده از RT-PCR) ، که با الگوریتم Adaboost آموزش دیده است ، با دقت 82.1 ٪ دقیق ترین است.این مطالعه می تواند در صورت بروز بحران یا شیوع مشابه COVID-19 راهنمایی برای متخصصان پزشکی ارائه دهد.