خداکرم سلیمی فرد

هدف: این مطالعه با هدف بررسی اثربخشی مداخلات غیردارویی در مدیریت همه گیری ویروس کرونا و پیش بینی موج بعدی آلودگی در ایران انجام شد. علاوه بر این، به دنبال استفاده از یادگیری ماشینی (ML) برای پیش بینی نیاز به درمان مبتنی بر اکسیژن برای بیماران بستری COVID-19 و استفاده از ML بر روی داده های بیمارستانی برای حمایت از مدیران و پزشکان بیمارستان در درمان بیماران COVID-19 با پیش بینی ICU است. پذیرش، مرگ و میر و مدت اقامت (LOS). روش کار: این مطالعه برای بررسی مداخلات غیردارویی، تعداد موارد و مرگ و میر را قبل و بعد از مداخلات مورد تجزیه و تحلیل قرار داده و با استفاده از مدل ژنریک SEIR، تعداد تکثیر موثر عفونت را تحت سناریوهای مختلف بررسی می کند. علاوه بر این، موج بعدی همه گیری با استفاده از مدل SEIR پیش بینی شد. برای پیش بینی نیاز به درمان مبتنی بر اکسیژن، اطلاعات دموگرافیک، علائم و سابقه بیمار از پایگاه های اطلاعاتی دو بیمارستان محلی ایران استخراج شد. اقدامات پیش پردازش اعمال شد، و ویژگی های مرتبط انتخاب شدند. پنج مدل ML بر اساس دقت و قابلیت آنها پیاده سازی و مقایسه شدند. به طور موازی، این مطالعه بستری شدن در بخش مراقبت های ویژه، مرگ و میر و LOS بیماران COVID-19 را با استفاده از الگوریتم های ML مانند افزایش گرادیان شدید (XGB)، K-نزدیک ترین همسایه (KNN)، جنگل تصادفی (RF)، سبد خرید کیسه ای (b-) پیش بینی می کند. CART)، و LogitBoost (LB). روش های انباشته کردن گروه برای تقویت بیشتر عملکرد به کار گرفته شد. یافته ها: این مطالعه نشان می دهد که پیش بینی می شود حداکثر تعداد افراد آلوده در ایران در اواخر اردیبهشت و آغاز ژوئن 2021 رخ دهد. نتیجه گیری می شود که ادامه قرنطینه کامل و اقدامات سختگیرانه قرنطینه می تواند به کاهش شیوع بیماری کمک کند. با توجه به پیش بینی نیاز به درمان مبتنی بر اکسیژن، تنگی نفس، سرفه، سن و تب به عنوان مهم ترین متغیرها شناسایی شدند. مدل های ML نمرات عملکرد امیدوارکننده ای را نشان می دهند و XGBoost و LR به بالاترین مقادیر ناحیه زیر منحنی (AUC) دست می یابند. رویکرد انباشته کردن گروه، دقت بهبود یافته ای را برای پیش بینی پذیرش ICU و LOS، با بیش از 95٪ دقت برای پذیرش ICU به دست می آورد. برای پیش بینی مرگ و میر، XGBoost کمی بهتر از روش انباشتگی گروه عمل می کند. نتیجه گیر