Журнал бактериологии и паразитологии

Абстрактный

Прогнозирование смертности пациентов с COVID-19: методы и возможности

Питер Геммар

Пандемическое распространение коронавируса приводит к увеличению нагрузки на службы здравоохранения во всем мире. Опыт показывает, что необходимое медицинское лечение может достигать пределов в местных клиниках, и быстрая и безопасная клиническая оценка тяжести заболевания становится жизненно важной. Биомаркеры регулярно определяются для пациентов интенсивной терапии. Инструменты машинного обучения могут использоваться для выбора соответствующих биомаркеров с целью оценки состояния здоровья и прогнозирования риска смертности пациентов. Прозрачные модели прогнозирования позволяют делать дальнейшие заявления о свойствах и развитии биомаркеров в связи с конкретными состояниями здоровья пациентов интенсивной терапии.

В этой работе альтернативные и расширенные подходы к моделям (машина опорных векторов, наивный байесовский алгоритм, нечеткая система) сравниваются с моделями, предложенными в литературе. Кроме того, в моделирование включены такие аспекты, как пол пациентов и изменения биомаркеров с течением времени. Искусственная нейронная сеть (SOM) используется для выбора биомаркеров. Статистический анализ биомаркеров выявляет их значения и изменения критического состояния пациентов. При сравнении моделей нечеткий предиктор типа Сугено достиг наилучших результатов для оценки здоровья и поддержки принятия решений. Нечеткая система выдает непрерывные выходные значения вместо бинарных решений, и, таким образом, сомнительные случаи могут быть отнесены к классу отклонения. Расширенная нечеткая модель учитывает пол пациента и тенденцию ключевых признаков с течением времени и, таким образом, обеспечивает превосходные результаты с точностью лучше 98% с данными обучения. Однако это не удалось окончательно проверить из-за отсутствия подходящих тестовых данных. Генерация и обучение всех моделей были полностью автоматизированы с помощью инструментов Matlab© и без дополнительной настройки.