پیش بینی سریع ابتلای کووید- 19 با داده های خانگی و الگوریتم های طبقه بندی یادگیری ماشین: مطالعه موردی ایران

برای کاهش بار شدید مبتلایان به کووید- 19 به سی ستم های بهدا شتی و درمانی، طرح غربالگری سریع و کارآمد در خط مقدم مبارزه با این بیماری مورد نیاز ا ست. ب سیاری از تحقیقات گذ شته از نتایج آزمای شگاهی، سیتی ا سکن و ا شعه ایکس ا ستفاده برای این موضوع ا ستفاده نموده اند که مانعی جدی برای غربالگری چابک است. در این مطالعه، یک مدل تشخیص کووید- 19 کاربرپسند و کمهزینه را بر اساس داده های خانگی در قالب سه دسته داده، جمعیت شناختی، علایم و سوابق بیماری ارایه شده است. در این مطالعه از روش جستجوی گرید برای شناسایی ترکیب بهینه هایپرپارامترهایی که دقیقترین پیشبینی را ارایه میدهد، استفاده شده است و عملکرد 11 الگوریتم طبقه بندی یادگیری ماشین مقایسه شده است. نتایج نشان میدهد که الگوریتم XGBoost بالاترین صححت، 73.3 % را ارایه میکند، اما تحلیلهای آماری نشحان میدهد که تفاوت معنیداری بین عملکرد دقت XGBoost و AdaBoost وجود ندارد، اگرچه برتری این دو روش را نسبت به سایر روش ها اثبات کرد. علاوه بر این، مهمترین ویژگی های به دست آمده با استفاده از SHapely Adaptive explanations مشحکلات « ،» سحن « ،» تب « ،» درد عضحلانی « ،» سحرفه « ،» تماس با افراد آلوده « . مورد تجزیه و تحلیل قرار گرفت « ،» قلبی عروقی PO2 مهمترین متغیرها ه ستند. در بین این متغیرها، سه متغیر اول تاثیر مثبت ن سبتا زیادی بر متغیر هدف » دی سترس تنف سی « و » « ،» سن « دارند. در حالی که PO2 به شدت با متغیر هدف همبستگی منفی دارند. در نهایت، یک مدل درخت تصمیم قابل اجرا، » دیسترس تنفسی « و » قابل مشاهده و تفسیر آسان برای پیشبینی ابتلای کووید- 19 ارایه شده است.