مقایسه کارایی الگوریتم‌های یادگیری ماشین برای ایجاد یک مدل پیش‌بینی‌کننده مرگ و میر بیماران بستری مبتلاء به کووید-19

هدف: شیوع سریع ویروس sarscov2 در سراسر دنیا، سیستم‌های مراقبت سلامت را با چالش‌های جدی و غیر منتظره در پیش‌بینی رفتار و پیامدهای بیماری روبرو کرده است. برای غلبه بر این چالش‌ها و ابهامات، هدف مطالعه حاضر ایجاد و اعتبارسنجی چند مدل پیش‌بینی مبتنی بر تکنیک‌های یادگیری ماشین به منظور تعیین ریسک مرگ بیماران بستری شده مبتلاء به کووید19 و انتخاب بهترین مدل می‌باشد.مواد و روش‌ها: داده‌های 1224 بیمار بستری ثبت شده با تشخیص قطعی کووید19 از پایگاه داده سامانه ثبت بیماران کووید19 شهر ایلام استخراج شدند. سپس پارامترهای تاثیرگذار در وقوع مرگ بیماران کووید19 شناسایی و به عنوان ورودی الگوریتم‌های یادگیری ماشین منتخب شامل کای نزدیک‌ترین همسایه (knn)، ماشین بردار پشتیبان (svm)، رگرسیون لجیستیک (lr) و جنگل تصادفی (rf) استفاده شدند. در نهایت عملکرد مدل‌های طراحی شده بر اساس معیارهای ارزیابی بر گرفته از ماتریکس آشفتگی (confusion matrix) مورد مقایسه قرار گرفت و مناسب‌ترین مدل پیش‌بینی‌کننده شناسایی گردید.یافته‌ها: 17 پارامتر به عنوان متغیرهای تاثیرگذار در مرگ و میر کووید19 شناسایی شدند. پس از اندازه‌گیری و مقایسه عملکرد الگوریتم‌های یادگیری ماشین، الگوریتم knn با دقت 94.21%، صحت 93.74%، فراخوانی 100%، معیار اف 93.2% و سطح زیر نمودار roc 92.23% عملکرد بهتری را به دست آورد.نتیجه‌گیری: الگوریتم knn قادر به پیش‌بینی خطر مرگ و میر بیماران کووید19 با یک سطح مناسب از صحت و اطمینان به منظور پیش‌بینی موثر افراد پرخطر و انتخاب مداخله مناسب توسط متخصصین پزشکی است.

Comparison of machine-learning algorithms efficiency to build a predictive model for mortality risk in COVID-19 hospitalized patients

Introduction: The rapid worldwide outbreak of SARSCoV2 has posed serious and unprecedented challenges to healthcare systems in predicting disease behavior and outcomes. To overcome these challenges or ambiguities, this study aimed to create and validate several predictive models using of selected ML algorithms to stratify the mortality risk in COVID19 hospitalized patients and choice the best performing algorithm.Materials and Methods: Data of 1224 hospitalized patients with COVID19 diagnosis based on the findings of the confirmedlaboratory test were extracted from the Ilam COVID19 registry (Ilam CoV reg) database. Then the most important clinical parameters in the COVID19 mortality were identified and used as inputs of the selected ML algorithms, including KNearest Network (KNN), Support Vector Machine (SVM), Logistic Regression (LR) and Random Forest (RF). Finally, the performance of the developed models was compared based on different confusion matrix evaluation criteria and the most appropriate predictive model was determined.Results: A total of 17 parameters were identified as the most influential clinical variables in the mortality of COVID19. By comparing the performance of ML algorithms according to various evaluation criteria, the KNN algorithm with precision of 94.21%, accuracy of 93.74%, recall of 100%, Fmeasure of 93.2% and ROC of 92.23%, yielded better performance than other developed algorithms.Conclusion: KNN enables a reasonable level of accuracy and certainty in predicting the mortality of patients with COVID19 and potentially facilitates identifing high risk patients and, inform proper interventions by the clinicians