27596

توسعه‌ي رويكردي مبتني بر علم داده براي پيش‌بيني روند بيماري كوويد-19 با استفاده از شاخص‌هاي آزمايشگاهي

كارشناسي ارشد

مهندسي صنايع-بهينه سازي سيستم ها

1398

1401/06/30

جناب آقاي دكتر رسول نورالسناء

جناب آقاي دكتر كامران حيدري

مهندسي صنايع

در سال¬هاي اخير همه¬گيري كوويد-19 چالش¬هاي عديده¬اي را بر سر راه سيستم سلامت كشورها و بخش درمان آن¬ها قرار داده است. اين بيماري با وجود كنترل شدن تجربه¬ي دردناكي براي مردم و سيستم بهداشت و درمان در سراسر جهان به دنبال داشت و ترس از همه¬گيري بيماري¬هاي نوظهور ديگري را به جا گذاشت. به اين ترتيب سيستم سلامت و بهداشت و درمان كشورها همواره تلاش مي¬كنند تا راه¬حل¬هاي مناسب و كارايي براي مقابله با اين همه¬گيري¬ها داشته باشند؛ كه بتوانند نرخ مرگ¬ومير اين بيماري¬ها را كاهش دهند. در پژوهش حاضر مدلي با هدف پيش¬بيني و شناسايي بيماران بحراني مبتلا به كوويد-19 كه در خطر مرگ هستند، ارائه شد. اين مدل در شرايط دشوار همه¬گيري، تصميم¬گيري و اولويت-بندي بيماران را براي كادر درمان راحت مي¬كند. در اين پژوهش ابتدا پرونده¬ي پزشكي بيماراني كه در بازه¬ي 1 مردادماه 1399 تا آخر دي¬ماه همان سال به علت بيماري كوويد-19 به بيمارستان شهداء تجريش تهران مراجعه كرده بودند مورد بررسي قرار گرفت. 42 معيار دموگرافيك، باليني، علائم حياتي، شاخص¬هاي آزمايش خون و شاخص¬هاي آزمايش گاز خون از پرونده¬ها استخراج و از روش¬هاي آماري و يادگيري ماشين استفاده شد تا بيماران در خطر مرگ پيش¬بيني شوند. روش رگرسيون لجستيك، پرسپترون چندلايه، ماشين بردار پشتيبان و روش راي¬گيرنده متشكل از اين سه روش با دقت 78%، معيار پوشش 0.67، AUC 0.84 و F1-Score 0.70 بهترين عملكرد را داشتند. در ادامه با روش انتخاب ويژگي مرحله¬اي رو به جلو مجموعه پارامتر مرتبط¬تر با پيشامد انتخاب شد كه شامل 13 پارامتر سن، اكسيژن اشباع اندازه¬گيري شده با پالس اكسي¬متر، آلبومين، نيتروژن اوره¬ي خون، تعداد گلبول¬هاي سفيد خون، تعداد پلاكت، لاكتات دهيدروژناز، تعداد تنفس در دقيقه، اكسيژن اشباع در آزمايش گازهاي خون، زمان پروترومبين، مقدار باز اضافي، كراتينين و PH بود. سپس با استفاده از اين 13 پارامتر و روش¬هاي آماري و يادگيري ماشين مدل كاهش يافته¬اي برازش گرديد. روش رگرسيون لجستيك، AdaBoost، آناليز مميزي خطي و روش راي¬گيرنده متشكل از اين سه روش پيش¬بيني را با دقت 81%، معيار پوشش 0.77، AUC 0.84 و F1-Score 0.75 به بهترين نحو انجام دادند.

1401/10/03

Developing a Data Science Approach to the Prognosis of COVID-19 Using Laboratory Indices

9/21/2023 12:00:00 AM

In recent years, the COVID-19 pandemic has placed many challenges on countries' health systems and treatment sectors. Despite being controlled, this disease caused a painful experience for people and the healthcare system worldwide and left behind the fear of similar epidemics of other emerging diseases. As a result, the countries' healthcare systems always try to have appropriate and efficient solutions to deal with these epidemics that can reduce the death rate of these diseases. This study aimed to develop a model to predict and identify patients with severe COVID-19 who are at risk of death. The model makes it easier for medical staff to make more accurate decisions and precisely prioritize patients in the challenging conditions of the epidemic. This research used retrospectively collected data from Shohada Tajrish hospital in Tehran, Iran. Forty-two demographic, clinical parameters, vital signs, blood test indices, and blood gas test indices were collected from COVID-19 patients admitted to the hospital from 22 July 2020 to 19 January 2021 to predict patients at risk of death by applying statistical and machine learning methods. Logistic regression, multilayer perceptron, support vector machine, and ensemble voting classifier outperformed other methods with 78% accuracy, recall 0.67, AUC 0.84, and F1-Score 0.70. Then the parameter set which was more related to the outcome was selected using a sequential forward feature selection algorithm. Correspondingly the best parameter set was chosen, which includes 13 parameters, including age, oxygen saturation measured by a pulse oximeter, albumin, blood urea nitrogen, white blood cells count, platelet count, lactate dehydrogenase, respiration rate per minute, oxygen saturation in venous blood gases test, prothrombin time, the base excess amount, creatinine and pH. Eventually, a reduced model was fitted using these 13 parameters. Logistic regression, AdaBoost, linear discriminant analysis, and ensemble voting classifier consisted of these three methods propose the best prediction with 81% accuracy, recall 0.77, AUC 0.84, and F1-Score 0.75.

كوويد-19، پيش بيني روند بيماري، علم داده، يادگيري ماشين، شاخص هاي گاز خون، شاخص هاي آزمايش خون

COVID-19, Prognosis, Data Science, Blood Gas Indices, Blood Test indices, Machine Learning

Maryam Vahabi

Rassoul Noorossana