مقایسه کارایی الگوریتم های یادگیری ماشین برای ایجاد یک مدل پیش بینی کننده مرگ و میر بیماران بستری مبتلاء به کووید-19

شیوع سریع ویروس SARS-CoV-2 در سراسر دنیا، سیستم های مراقبت سلامت را با چالش های جدی و غیر منتظره در پیش بینی رفتار و پیامدهای بیماری روبرو کرده است. برای غلبه بر این چالش ها و ابهامات، هدف مطالعه حاضر ایجاد و اعتبارسنجی چند مدل پیش بینی مبتنی بر تکنیک های یادگیری ماشین به منظور تعیین ریسک مرگ بیماران بستری شده مبتلاء به کووید-19 و انتخاب بهترین مدل می باشد.

داده های 1224 بیمار بستری ثبت شده با تشخیص قطعی کووید-19 از پایگاه داده سامانه ثبت بیماران کووید-19 شهر ایلام استخراج شدند. سپس پارامترهای تاثیرگذار در وقوع مرگ بیماران کووید-19 شناسایی و به عنوان ورودی الگوریتم های یادگیری ماشین منتخب شامل کای- نزدیک ترین همسایه (k-NN)، ماشین بردار پشتیبان (SVM)، رگرسیون لجیستیک (LR) و جنگل تصادفی (RF) استفاده شدند. در نهایت عملکرد مدل های طراحی شده بر اساس معیارهای ارزیابی بر گرفته از ماتریکس آشفتگی (Confusion Matrix) مورد مقایسه قرار گرفت و مناسب ترین مدل پیش بینی کننده شناسایی گردید.

17 پارامتر به عنوان متغیرهای تاثیرگذار در مرگ و میر کووید-19 شناسایی شدند. پس از اندازه گیری و مقایسه عملکرد الگوریتم های یادگیری ماشین، الگوریتم k-NN با دقت 21/94%، صحت 74/93%، فراخوانی 100%، معیار اف 2/93% و  سطح زیر نمودار ROC 23/92% عملکرد بهتری را به دست آورد.

الگوریتم KNN قادر به پیش بینی خطر مرگ و میر بیماران کووید-19 با یک سطح مناسب از صحت و اطمینان به منظور پیش بینی موثر افراد پرخطر و انتخاب مداخله مناسب توسط متخصصین پزشکی است.