ISSN: 1948-5964
Nannan Sun, Ya Yang, Lingling Tang, Zhen Li, Yining Dai, Wan Xu, Xiaoliang Qian, Hainv Gao, Bin Ju
Ziel: Um die Frühdiagnose einer COVID-19-Infektion zeitnaher zu gestalten, ist die Entwicklung einer Entscheidungshilfe zur Unterstützung der Frühdiagnose von COVID-19-Patienten in Fieberkliniken unerlässlich.
Materialien und Methoden: Ziel dieses Artikels ist es, Risikofaktoren aus den klinischen Daten von 912 Patienten zu extrahieren, die sich im Frühstadium einer COVID-19-Infektion befanden. Dabei kommen vier Arten traditioneller maschineller Lernansätze zum Einsatz, darunter logistische Regression (LR), Support Vector Machine (SVM), Entscheidungsbaum (DT), Random Forest (RF) und eine auf Deep Learning basierende Methode zur Diagnose einer frühen COVID-19-Erkrankung.
Ergebnisse: Die Ergebnisse zeigen, dass das LR-Vorhersagemodell eine höhere Spezifitätsrate von 0,95, einen Bereich unterhalb der ROC (AUC) von 0,971 und eine verbesserte Sensitivitätsrate von 0,82 aufweist, was es optimal für das Screening einer frühen COVID-19-Infektion macht. Wir führen auch die Überprüfung der Allgemeingültigkeit des besten Modells (LR-Vorhersagemodell) anhand der Bevölkerung von Zhejiang durch und analysieren den Beitrag der Faktoren zu den Vorhersagemodellen.
Diskussionen: Vor dem Hintergrund der COVID-19-Pandemie ist die Frühdiagnose von COVID-19 immer noch mit großen Herausforderungen verbunden. Für Fieberkliniken ist ein Entscheidungshilfetool zur Unterstützung der Frühdiagnose von COVID-19-Patienten von entscheidender Bedeutung.
Schlussfolgerungen: Unser Manuskript beschreibt und unterstreicht die Fähigkeit von Methoden des maschinellen Lernens, die Genauigkeit und Aktualität der frühen Diagnose einer COVID-19-Infektion zu verbessern. Die höhere AUC unseres LR-basierten Vorhersagemodells macht es zu einer förderlicheren Methode zur Unterstützung der COVID-19-Diagnose. Das optimale Modell wurde als mobile Anwendung (APP) gekapselt und in einigen Krankenhäusern in der Provinz Zhejiang implementiert.