|
هدف: اين مطالعه با هدف بررسي اثربخشي مداخلات غيردارويي در مديريت همه گيري ويروس كرونا و پيش بيني موج بعدي آلودگي در ايران انجام شد. علاوه بر اين، به دنبال استفاده از يادگيري ماشيني (ML) براي پيش بيني نياز به درمان مبتني بر اكسيژن براي بيماران بستري COVID-19 و استفاده از ML بر روي داده هاي بيمارستاني براي حمايت از مديران و پزشكان بيمارستان در درمان بيماران COVID-19 با پيش بيني ICU است. پذيرش، مرگ و مير و مدت اقامت (LOS).
روش كار: اين مطالعه براي بررسي مداخلات غيردارويي، تعداد موارد و مرگ و مير را قبل و بعد از مداخلات مورد تجزيه و تحليل قرار داده و با استفاده از مدل ژنريك SEIR، تعداد تكثير موثر عفونت را تحت سناريوهاي مختلف بررسي مي كند. علاوه بر اين، موج بعدي همه گيري با استفاده از مدل SEIR پيش بيني شد. براي پيش بيني نياز به درمان مبتني بر اكسيژن، اطلاعات دموگرافيك، علائم و سابقه بيمار از پايگاه هاي اطلاعاتي دو بيمارستان محلي ايران استخراج شد. اقدامات پيش پردازش اعمال شد، و ويژگي هاي مرتبط انتخاب شدند. پنج مدل ML بر اساس دقت و قابليت آنها پياده سازي و مقايسه شدند. به طور موازي، اين مطالعه بستري شدن در بخش مراقبت هاي ويژه، مرگ و مير و LOS بيماران COVID-19 را با استفاده از الگوريتم هاي ML مانند افزايش گراديان شديد (XGB)، K-نزديك ترين همسايه (KNN)، جنگل تصادفي (RF)، سبد خريد كيسه اي (b-) پيش بيني مي كند. CART)، و LogitBoost (LB). روش هاي انباشته كردن گروه براي تقويت بيشتر عملكرد به كار گرفته شد.
يافته ها: اين مطالعه نشان مي دهد كه پيش بيني مي شود حداكثر تعداد افراد آلوده در ايران در اواخر ارديبهشت و آغاز ژوئن 2021 رخ دهد. نتيجه گيري مي شود كه ادامه قرنطينه كامل و اقدامات سختگيرانه قرنطينه مي تواند به كاهش شيوع بيماري كمك كند. با توجه به پيش بيني نياز به درمان مبتني بر اكسيژن، تنگي نفس، سرفه، سن و تب به عنوان مهم ترين متغيرها شناسايي شدند. مدل هاي ML نمرات عملكرد اميدواركننده اي را نشان مي دهند و XGBoost و LR به بالاترين مقادير ناحيه زير منحني (AUC) دست مي يابند. رويكرد انباشته كردن گروه، دقت بهبود يافته اي را براي پيش بيني پذيرش ICU و LOS، با بيش از 95٪ دقت براي پذيرش ICU به دست مي آورد. براي پيش بيني مرگ و مير، XGBoost كمي بهتر از روش انباشتگي گروه عمل مي كند.
نتيجه گير
|