تریاژ بیماران مبتالبه کووید:19- بهکارگیری روش یادگیری گروهی برای تحلیل عوامل خطر و پیشبینی خطر مرگ ناشی از ابتا

مقدمه: شناسایی زودهنگام بیماران پرخطر کووید-19 با استفاده از دادههای غیر آزمایشگاهی هنگام پذیرش، میتواند به استفاده موثر منابع محدود مراقبتهای بهداشتی کمک نموده و با کاهش هزینه و زمان، تصمیمگیری بالینی را بهبود بخشد، درنتیجه مرگ بیماران را کاهش دهد. اهداف: هدف این مطالعه ارائه یک رویکرد هوشمند به منظور تریاژ بیماران مبتلا به کووید-19 با تحلیل عوامل موثر و پیش‌بینی خطر مرگ ناشی این بیماری با استفاده از روش یادگیری گروهی است. مواد و روش‌ها: مطالعه حاضر از نوع توصیفی-کاربردی بوده که در سال 1400 انجام شده است. داده‌های غیر آزمایشگاهی هنگام پذیرش 4558 بیمار قطعی مبتلا به کووید-19 مراجعه‌کننده به بیمارستان شهدای خلیج‌فارس بوشهر ثبت ‌شده در سیستم اطلاعات مراقبت پزشکی مورد استفاده قرار گرفت. پس از پیش‌پردازش داده‌ها، عوامل خطر موثر در مرگ این بیماران شناسایی و از نظر اهمیت رتبه‌بندی شد، سپس با به‌کارگیری روش یادگیری‌گروهی (voting) مدل پیش‌بینی مرگ ایجاد و عملکرد آن با معیارهای ماتریس آشفتگی confusion matrix)) ارزیابی گردید. نتایج: از مجموع 5433 بیمار، اطلاعات 4558 نفر وارد مطالعه شد. از این تعداد 2222 (45.5 درصد) زن و 2663 (64.5 درصد) مرد بودند. میانگین سنی بیماران 47.6 به‌ دست آمد. از میان همه عوامل مورد بررسی، 17 عامل در مرگ بیماران موثر شناسایی شد. نتایج رده‌بندی آنها نشان داد شش عامل اول در پیش‌بینی مرگ به ترتیب وضعیت اکسیژن خون، سن، وضعیت هوشیاری، تب، سرفه و بدن‌درد است. مدل طراحیشده به روش یادگیری گروهی، خطر مرگ را با دقت 0.85، صحت 0.85، ویژگی 0.85 و سطح زیر نمودار roc 0.91 برآورد نمود. نتیجه‌گیری: نتایج مطالعه یک راهحل کمهزینه، سریع و نوآورانه برای شناسایی زود‌هنگام بیماران مبتلا به کووید-19 در معرض خطر مرگ برای تریاژ موثرتر آن‌ها ارائه می‌نماید که می‌تواند با به‌روزسانی مداوم با داده‌های جدید در تصمیم‌گیری به مدیران سیستم‌های مراقبت بهداشتی به منظور مدیریت منابع و ارائه درمان‌های متناسب با بیماران با خطر مرگ بالا یاری رساند.

triage of patients with covid-19: using ensemble learning method for risk factor analysis and death prediction

background: early identification of high-risk patients with covid-19 using non-laboratory data at the time of admission may help the effective use of limited healthcare resources and improve clinical decision-making which reduces cost and time, and consequently the death of patients.objectives: this study aims to provide an intelligent approach to triaging covid-19 patients by analyzing effective risk factors and predicting the risk of death due to covid-19 using an ensemble learning method.methods: this is a descriptive-applied study that was conducted in 2021. non-laboratory data were used during the admission of 4558 confirmed patients with covid-19 referred to the shohaday-e-khalij-e-fars hospital in bushehr registered in the medical care information system. after data preprocessing, the risk factors affecting the death were identified and ranked in importance. the ensemble learning (voting) method was used to develop the death prediction model, and the confusion matrix criteria evaluated its performance.results: from a total of 5433 patient records, the data of 4558 cases were included in the study, of which 2222 (45.5%) were women and 2663 (64.5%) were men. the average age of the patients was 47.6. out of all the investigated factors, 17 characteristics were identified as effective in predicting the death of patients, and their ranking indicated that the first six factors for predicting the death of patients are state of blood oxygen, age, state of consciousness, fever, cough, and body pain, respectively. the proposed model estimated the risk of death with an accuracy of 85%, sensitivity of 85%, specificity of 0.85%, and auroc of 0.91.conclusions: the results of the study provide a low-cost, fast, and innovative solution for the early identification of patients with covid-19 at risk of death to triage them more effectively, which can be used by the managers of healthcare systems to manage resources by continuously updating new data and providing appropriate treatments for high-risk patients.